使用随机标签聚合进行产品搜索的多目标排序优化

在产品搜索中学习排序模型涉及满足许多要求，例如最大化检索产品与用户查询的相关性，以及最大化这些产品的购买可能性。多目标排序优化（MORO）是从训练示例中学习排序模型的任务，同时优化多个目标。标签聚合是多目标优化的一种热门解决方案方法，它将问题简化为单一目标优化问题，通过将与不同目标相关的训练示例的多个标签聚合为单个标签。在这项工作中，我们探索了几种用于产品搜索中MORO的标签聚合方法。我们提出了一种新的随机标签聚合方法，该方法根据给定的标签分布随机选择每个训练示例的标签。我们提供了理论证明，表明随机标签聚合在某种意义上优于其他聚合方法，因为MORO问题的任何最优解都可以通过适当的随机聚合过程参数设置生成。我们在三个不同的数据集上进行实验：两个来自语音产品搜索领域，一个来自网络产品搜索领域的公开数据集。我们通过这三个数据集的实验证明，带有随机标签聚合的MORO提供了一系列完全主导于使用确定性标签聚合构建的MORO模型的排序模型。