[论文解读] Globally Optimized Mutual Influence Aware Ranking in E-Commerce Search

Tao Zhuang, Wenwu Ou+1 more|arXiv (Cornell University)|May 22, 2018

Text and Document Classification Technologies被引用 6

一句话总结

本文提出了一种全局优化的、考虑相互影响的电商搜索排序框架，直接最大化商品交易总额（GMV）。该框架通过全局特征扩展和基于RNN的序列建模结合束搜索，捕捉商品与订单之间的依赖关系，在淘宝搜索的在线A/B测试中，实现了5.82%的GMV提升，同时保持可接受的延迟。

ABSTRACT

In web search, mutual influences between documents have been studied from the perspective of search result diversification. But the methods in web search is not directly applicable to e-commerce search because of their differences. And little research has been done on the mutual influences between items in e-commerce search. We propose a global optimization framework for mutual influence aware ranking in e-commerce search. Our framework directly optimizes the Gross Merchandise Volume (GMV) for ranking, and decomposes ranking into two tasks. The first task is mutual influence aware purchase probability estimation. We propose a global feature extension method to incorporate mutual influences into the features of an item. We also use Recurrent Neural Network (RNN) to capture influences related to ranking orders in purchase probability estimation. The second task is to find the best ranking order based on the purchase probability estimations. We treat the second task as a sequence generation problem and solved it using the beam search algorithm. We performed online A/B test on a large e-commerce search engine. The results show that our method brings a 5% increase in GMV for the search engine over a strong baseline.

研究动机与目标

• 为解决电商搜索排序中商品间相互影响的研究不足问题，此类影响显著影响购买概率。
• 直接针对电商中的主要业务指标GMV进行优化，而非传统的信息检索指标（如NDCG）。
• 建模商品相对排序如何影响其购买可能性，特别是在高相关性结果集中的影响。
• 开发一种高效的重排序框架，在大规模搜索系统中平衡GMV增益与计算成本。

提出的方法

• 提出一种全局优化框架，将排序视为序列生成问题，以最大化预期GMV。
• 引入一种全局特征扩展方法，将相互影响信号注入商品特征中，捕捉邻近商品带来的上下文效应。
• 采用深度神经网络（miDNN）基于扩展特征估计购买概率，支持基于排序的排序方法。
• 采用基于RNN的序列建模方法，并引入一种新颖的注意力机制，捕捉对购买概率具有长期依赖性的顺序影响。
• 应用束搜索以探索高质量的排序序列，避免贪心选择，提升全局优化效果。
• 在基线排序系统之上部署模型于重排序流水线中，重排序大小和束搜索大小为关键超参数。

实验结果

研究问题

• RQ1 电商搜索中商品之间的相互影响如何影响其相对购买概率？
• RQ2 一种建模相互影响的全局优化框架是否能提升大规模电商搜索中的GMV？
• RQ3 在使用RNN序列建模和束搜索时，GMV提升与计算成本之间的权衡如何？
• RQ4 在GMV增益和延迟方面，miDNN、miRNN以及带注意力机制的miRNN模型组件之间有何差异？

主要发现

• miRNN+attention模型在基线基础上实现了最高的5.82% GMV提升，证明了建模长程顺序依赖性的有效性。
• miRNN模型实现了5.03%的GMV提升，延迟增加58%，在性能与效率之间提供了良好平衡。
• miDNN模型实现了2.91%的GMV提升，延迟仅增加9%，适用于低延迟生产环境部署。
• 当重排序大小超过50时，GMV增益趋于饱和，与用户行为一致——82%的用户浏览的商品数不超过50件。
• RNN模型的延迟随束搜索大小呈多项式增长，表明高束搜索大小带来显著的计算开销。
• miRNN+attention中的注意力机制显著提升了GMV，但在重排序大小为50时导致延迟增加401%，凸显了性能与延迟之间的关键权衡。