@Embedding-based Product Retrieval in Taobao Search

淘宝搜索的向量召回特征包括语义特征与个性化特征。

• 语义特征基于query和item title，#card

  • 不同的是query侧使用多粒度的文本encoder，同时增加当前query的补充term（历史query，这里可能是历史统计得到的相似query），

  • 而item侧语义特征则仍然使用title terms。

• 个性化特征#card

  • user/query侧使用实时、短期、长期的用户行为（点击过的商品、店铺等），

  • item侧则直接通过itemId获得商品embedding与语义特征拼接融合。

• 模型同样是双塔结构，

  • User tower的向量表示 #card

    • user/query侧一方面使用query多粒度term进行embedding映射，包括 1－gram，2－gram，query terms（q＿seg）以及补充的query terms（q＿his）。

    • 此外，q＿his的输入先经过和qseg的attention得到 $q_{\text {his＿seq }}$ ，q＿seg同样也会通过Transformer得到深度的语义特征 $q_{s e q \_s e q}$ 。

    • 最后各粒度特征通过加和，concat得到不同粒度的query表示向量矩阵 $Q_{m g s}$ ，而后 $Q_{m g s}$ 分别和实时，短期，长期的用户行为的特征表示做multi－head attention，最后得到。

  • 商品的表示比较简单，#card

    • 使用itemId embedding和title terms embedding拼接得到。

  • 不同于使用hinge loss或者tripe loss，本文使用sampled softmax cross-entropy loss来进行模型训练，#card

    • 期望得到全局的正负样本距离度量，以尽可能的实现训练和预测分布的一致性（pair wise loss则更关注局部的正负样本距离度量）。

    • $$$$

\hat{y}{\left(i^{+} \mid q_u\right)}=\frac{\exp \left(\mathcal{F}\left(q_u, i^{{+}\right)\right)}{\sum_{i}{\prime} \in I} \exp \left(\mathcal{F}\left(q_u, i^{\prime}\right)\right)}, \
L(\nabla)=-\sum{i \in I} y_i \log \left(\hat{y}_i\right),
\end{gathered}

样本构造 + 训练数据使用点击日志，点击数据为正样本，由于使用了sampled softmax，负样本相当于从商品池中随机采样。#card + 难样本挖掘：人为对负样本加权#card + 对随机负样本query-item pair对进行模型预测（中间模型），取Top-N的内积score的item向量表示集合 I + 正样本 i+，线性相加得到难负样本表示 Imix + alpha 平衡样本的难度 由于引入了个性化特征、记忆性的Id特征，模型不可避免地引入相关性badcase（其实不加个性化特征也免不了）。因此策略上线时还做了一些额外的相关性控制策略#card + 通过核心term（如品牌、颜色、型号等属性）匹配限制，避免模糊匹配带来的语义漂移等问题