mutual influence rnn

论文 Globally Optimized Mutual Influence Aware Ranking in E-Commerce Search

背景

淘宝搜索重排场景,如何生成序列最大化 GMV,vi 是价格

  • o=argmaxoOi=1Nv(i)p(ic(o,i))o^*=\arg \max _{o \in O} \sum_{i=1}^N v(i) p(i \mid c(o, i))

拆解成两个小问题:

  • 问题一:p(ic(o,i))p(i \mid c(o, i)) 估计每个商品在 topk列表中成交的概率
  • 问题二:OO^* 如何找到最优 topk 序列

问题一:通过 RNN 建模前面已选取物品对后面商品成交的影响

通过 global feature 建模 context 信息

  • 原始特征 f 是 local feature,将 f 在候选集合下进行归一化即成为 global feature
  • fg(i)=fl(i)fminfmaxfmin,fmax=max1jNfl(j),fmin=min1jNfl(j)f_g(i) =\frac{f_l(i)-f_{\min }}{f_{\max }-f_{\min }}, f_{\max } =\max _{1 \leq j \leq N} f_l(j), f_{\min } =\min _{1 \leq j \leq N} f_l(j)

通过 RNN 预估 p

  • p(oio1,,i1)=sigmoid(Whhi+Wcci)hi=RNN(hi1,f(oi))ci=j=1i1αijhj\begin{aligned} p\left(o_i \mid o_{1, \ldots, i-1}\right) & =\operatorname{sigmoid}\left(W_h h_i+W_c c_i\right) \\ h_i & =\operatorname{RNN}\left(h_{i-1}, f\left(o_i\right)\right) \\ c_i & =\sum_{j=1}^{i-1} \alpha_{i j} h_j\end{aligned}

问题二:RNN + Beam Search 生成序列

作者

Ryen Xiang

发布于

2024-05-31

更新于

2024-08-05

许可协议


网络回响

评论