Beyond Semantics: Learning a Behavior Augmented Relevance Model with Self-supervised Learning

要約

関連性モデリングは、対応するクエリに対して望ましい項目を見つけることを目的としています。これは、検索エンジンにとってユーザー エクスペリエンスを確保するために重要です。
従来のアプローチのほとんどは、クエリと項目の間の意味上の類似性を評価することでこの問題に対処していますが、純粋な意味上の一致がすべてではありません。
実際には、検索ログのユーザー履歴行動データから抽出された補助的なクエリとアイテムの相互作用は、ユーザーの検索意図をさらに明らかにするためのヒントを提供する可能性があります。
ここからインスピレーションを得て、ターゲット アイテムの近隣クエリとターゲット クエリの近隣アイテムを活用してターゲット クエリとアイテムのセマンティック マッチングを補完する、Alipay 検索用の新しい行動拡張関連性学習モデル (BARL-ASe) を考案しました。
具体的には、私たちのモデルは、近隣ビューとターゲットビューの両方から粗粒および細粒の意味論的表現を抽出するためのマルチレベルの同時注意を構築します。
その後、モデルは近隣ターゲットの自己教師あり学習を採用し、表現とロジット学習を強化することで BARL-ASe の精度と堅牢性を向上させます。
さらに、Alipay のミニアプリ検索シナリオのロングテール クエリと項目のマッチングに実際に対処する方法についても説明します。
現実世界の業界データとオンライン A/B テストの実験により、私たちの提案が低遅延で有望なパフォーマンスを達成することが実証されました。

要約(オリジナル)

Relevance modeling aims to locate desirable items for corresponding queries, which is crucial for search engines to ensure user experience. Although most conventional approaches address this problem by assessing the semantic similarity between the query and item, pure semantic matching is not everything. In reality, auxiliary query-item interactions extracted from user historical behavior data of the search log could provide hints to reveal users’ search intents further. Drawing inspiration from this, we devise a novel Behavior Augmented Relevance Learning model for Alipay Search (BARL-ASe) that leverages neighbor queries of target item and neighbor items of target query to complement target query-item semantic matching. Specifically, our model builds multi-level co-attention for distilling coarse-grained and fine-grained semantic representations from both neighbor and target views. The model subsequently employs neighbor-target self-supervised learning to improve the accuracy and robustness of BARL-ASe by strengthening representation and logit learning. Furthermore, we discuss how to deal with the long-tail query-item matching of the mini apps search scenario of Alipay practically. Experiments on real-world industry data and online A/B testing demonstrate our proposal achieves promising performance with low latency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google