論文の概要: Heterogeneous Network Embedding for Deep Semantic Relevance Match in
E-commerce Search
- arxiv url: http://arxiv.org/abs/2101.04850v1
- Date: Wed, 13 Jan 2021 03:12:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 07:52:49.823851
- Title: Heterogeneous Network Embedding for Deep Semantic Relevance Match in
E-commerce Search
- Title（参考訳）: eコマース検索におけるディープセマンティクスマッチングのためのヘテロジニアスネットワーク埋め込み
- Authors: Ziyang Liu, Zhaomeng Cheng, Yunjiang Jiang, Yue Shang, Wei Xiong,
Sulong Xu, Bo Long, Di Jin
- Abstract要約: Eコマースアイテム関連性のためのエンドツーエンドの第一次および第二次関連性予測モデルを設計します。
BERTから生成された外部知識を導入し,ユーザ行動のネットワークを改良する。
オフライン実験の結果,新しいモデルにより,人間関係判定における予測精度が有意に向上した。
- 参考スコア（独自算出の注目度）: 29.881612817309716
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Result relevance prediction is an essential task of e-commerce search engines
to boost the utility of search engines and ensure smooth user experience. The
last few years eyewitnessed a flurry of research on the use of
Transformer-style models and deep text-match models to improve relevance.
However, these two types of models ignored the inherent bipartite network
structures that are ubiquitous in e-commerce search logs, making these models
ineffective. We propose in this paper a novel Second-order Relevance, which is
fundamentally different from the previous First-order Relevance, to improve
result relevance prediction. We design, for the first time, an end-to-end
First-and-Second-order Relevance prediction model for e-commerce item
relevance. The model is augmented by the neighborhood structures of bipartite
networks that are built using the information of user behavioral feedback,
including clicks and purchases. To ensure that edges accurately encode
relevance information, we introduce external knowledge generated from BERT to
refine the network of user behaviors. This allows the new model to integrate
information from neighboring items and queries, which are highly relevant to
the focus query-item pair under consideration. Results of offline experiments
showed that the new model significantly improved the prediction accuracy in
terms of human relevance judgment. An ablation study showed that the
First-and-Second-order model gained a 4.3% average gain over the First-order
model. Results of an online A/B test revealed that the new model derived more
commercial benefits compared to the base model.
- Abstract（参考訳）: 検索結果の妥当性予測は,検索エンジンの利便性を高め,ユーザエクスペリエンスを円滑に確保するために,eコマース検索エンジンにとって不可欠な課題である。
ここ数年、トランスフォーマースタイルのモデルと深いテキストマッチングモデルを使って関連性を高める研究が相次いだ。
しかし、これらの2種類のモデルは、電子商取引の検索ログにユビキタスに存在する2部ネットワーク構造を無視しており、これらのモデルは非効率である。
本稿では,従来の一階関係とは根本的に異なる2階関係を新たに提案し,結果の関連性を予測する。
我々は、eコマースアイテムの関連性に対するエンドツーエンドのファースト・アンド・セブンド・オーディエンス・レバレンス予測モデルを初めて設計する。
このモデルは、クリックや購入を含むユーザの行動フィードバックの情報を用いて構築されたバイパートイトネットワークの近傍構造によって強化される。
エッジが関連情報を正確にエンコードすることを保証するため,BERTから生成された外部知識を導入し,ユーザ行動のネットワークを改良する。
これにより、新しいモデルが、考慮中のフォーカスクエリ-テーマペアに非常に関係のある、隣り合う項目とクエリからの情報を統合できるようになる。
オフライン実験の結果,新しいモデルにより,人間関係判定における予測精度が有意に向上した。
アブレーション研究では、一階と二階のモデルは一階のモデルよりも平均4.3%向上した。
オンラインa/bテストの結果、この新しいモデルはベースモデルよりも商業的利益を導き出した。
関連論文リスト
- A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。
ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。
当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
論文 参考訳（メタデータ） (2024-11-20T20:38:56Z) - Probabilistic Demand Forecasting with Graph Neural Networks [0.0]
本稿では,従来のグラフニューラルネットワーク(GNN)の研究に基づいて,2つのコントリビューションを行う。
まず、GNNエンコーダを最先端のDeepARモデルに統合する。この組み合わせモデルは確率的予測を生成し、不確実性の下での意思決定に不可欠である。
第2に,事前定義されたグラフ構造に依存しない記事類似性を用いてグラフを構築することを提案する。実世界の3つのデータセットの実験から,提案手法が非グラフベンチマークを一貫して上回ることを示す。
論文 参考訳（メタデータ） (2024-01-23T21:20:48Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳（メタデータ） (2023-12-03T13:50:24Z) - Improving Text Matching in E-Commerce Search with A Rationalizable,
Intervenable and Fast Entity-Based Relevance Model [78.80174696043021]
エンティティベース関連モデル(EBRM)と呼ばれる新しいモデルを提案する。
この分解により、高精度にクロスエンコーダQE関連モジュールを使用できる。
また、ユーザログから自動生成されたQEデータによるQEモジュールの事前トレーニングにより、全体的なパフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2023-07-01T15:44:53Z) - Unified Embedding Based Personalized Retrieval in Etsy Search [0.206242362470764]
グラフ, 変換器, 項ベース埋め込みを終末に組み込んだ統合埋め込みモデルを学習することを提案する。
我々のパーソナライズされた検索モデルは、検索購入率5.58%、サイト全体のコンバージョン率2.63%によって、検索体験を著しく改善する。
論文 参考訳（メタデータ） (2023-06-07T23:24:50Z) - Part-Based Models Improve Adversarial Robustness [57.699029966800644]
人間の事前知識とエンドツーエンドの学習を組み合わせることで、ディープニューラルネットワークの堅牢性を向上させることができることを示す。
我々のモデルは、部分分割モデルと小さな分類器を組み合わせて、オブジェクトを同時に部品に分割するようにエンドツーエンドに訓練されている。
実験の結果,これらのモデルによりテクスチャバイアスが低減され,一般的な汚職に対する堅牢性が向上し,相関が急上昇することが示唆された。
論文 参考訳（メタデータ） (2022-09-15T15:41:47Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。
我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。
概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
論文 参考訳（メタデータ） (2021-05-04T15:23:59Z) - Learning Robust Models for e-Commerce Product Search [23.537201383165755]
検索クエリ意図にマッチしないアイテムを表示することは、eコマースにおける顧客エクスペリエンスを低下させる。
問題を緩和するには、大きなラベル付きデータセットが必要である。
我々は、ミスマッチを効果的に分類することを学ぶ、深いエンドツーエンドモデルを開発する。
論文 参考訳（メタデータ） (2020-05-07T17:22:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。