DeText

Ranking ist die wichtigste Komponente in einem Suchsystem. Die meisten Suchsysteme verarbeiten große Mengen an Daten in natürlicher Sprache, daher erfordert ein effektives Rankingsystem ein tiefes Verständnis der Textsemantik. Kürzlich haben auf Deep Learning basierende Modelle der natürlichen Sprachverarbeitung (Deep NLP) vielversprechende Ergebnisse bei Rankingsystemen erzielt. BERT ist eines der erfolgreichsten Modelle, die kontextuelle Einbettungen erlernen, die angewendet wurden, um komplexe Beziehungen zwischen Abfragen und Dokumenten für das Suchranking zu erfassen. Dies geschieht jedoch im Allgemeinen, indem jedes Abfragewort erschöpfend mit jedem Dokumentenwort interagiert wird, was ineffizient für die Online-Bereitstellung in Suchproduktsystemen ist. In diesem Papier untersuchen wir, wie man ein effizientes BERT-basiertes Rankingsystem für Anwendungsfälle in der Industrie aufbaut. Die Lösung wird weiter auf einen allgemeinen Rankingrahmen, DeText, erweitert, der quelloffen ist und auf verschiedene Rankingproduktionen angewendet werden kann. Offline- und Online-Experimente von DeText an drei realen Suchsystemen zeigen signifikante Verbesserungen im Vergleich zu aktuellen Ansätzen.