Building a Scalable, Effective, and Steerable Search and Ranking Platform

要約

最新の電子商取引プラットフォームでは膨大な商品の選択肢が提供されているため、顧客が現在のセッションの目的に関連するお気に入りの商品を見つけることが困難になっています。
このため、電子商取引プラットフォームでは、ほぼリアルタイムの拡張性と適応性があり、パーソナライズされたランキングおよび検索システムを備えていることが重要です。
このようなシステムを構築するための多くの方法が科学文献に存在しますが、その多くは複雑さとパフォーマンスの制限のため、大規模な産業用途には適していません。
その結果、業界ランキング システムは、計算効率は高いものの、単純化された検索や候補生成のアプローチに頼ることが多く、これにより、ほぼリアルタイムで異種の顧客シグナルが無視され、その結果、パーソナライズされた関連性の低いエクスペリエンスが得られます。
さらに、関連する顧客エクスペリエンスはまったく異なるシステムによって提供されるため、複雑さが増し、メンテナンスが増加し、エクスペリエンスに一貫性がなくなります。
このペーパーでは、ブラウジングや検索などのさまざまなユースケースで再利用可能で、高負荷 (1 件あたり数千のリクエスト) の下で数百万のアイテムや顧客に対応できる、パーソナライズされた適応性のあるほぼリアルタイムのランキング プラットフォームを紹介します。
2番目）。
当社は、さまざまなランキング層を通じてトランスフォーマーベースのモデルを採用しており、顧客のアクションシーケンスから複雑な行動パターンを直接学習できると同時に、時間的（セッション中など）およびコンテキスト情報を組み込むことができます。
当社は、大規模なオンライン電子商取引プラットフォームでの一連の包括的なオフラインおよびオンラインの実世界実験を通じてシステムを検証し、既存のシステムと比較した場合、顧客体験と純収益の両方の点でその優位性を実証しました。
最後に、大規模な電子商取引環境で使用するための包括的で最新のランキング プラットフォームの構築から学んだ教訓を共有します。

要約(オリジナル)

Modern e-commerce platforms offer vast product selections, making it difficult for customers to find items that they like and that are relevant to their current session intent. This is why it is key for e-commerce platforms to have near real-time scalable and adaptable personalized ranking and search systems. While numerous methods exist in the scientific literature for building such systems, many are unsuitable for large-scale industrial use due to complexity and performance limitations. Consequently, industrial ranking systems often resort to computationally efficient yet simplistic retrieval or candidate generation approaches, which overlook near real-time and heterogeneous customer signals, which results in a less personalized and relevant experience. Moreover, related customer experiences are served by completely different systems, which increases complexity, maintenance, and inconsistent experiences. In this paper, we present a personalized, adaptable near real-time ranking platform that is reusable across various use cases, such as browsing and search, and that is able to cater to millions of items and customers under heavy load (thousands of requests per second). We employ transformer-based models through different ranking layers which can learn complex behavior patterns directly from customer action sequences while being able to incorporate temporal (e.g. in-session) and contextual information. We validate our system through a series of comprehensive offline and online real-world experiments at a large online e-commerce platform, and we demonstrate its superiority when compared to existing systems, both in terms of customer experience as well as in net revenue. Finally, we share the lessons learned from building a comprehensive, modern ranking platform for use in a large-scale e-commerce environment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google