详细内容或原文请订阅后点击阅览
BayesCNS：一种统一的贝叶斯方法，用于解决大规模搜索系统中的冷启动和非平稳性问题
搜索和推荐平台中使用的信息检索 (IR) 系统经常采用学习排序 (LTR) 模型来对响应用户查询的项目进行排序。这些模型严重依赖从用户交互中获得的特征，例如点击和参与度数据。这种依赖性为缺乏用户参与度的项目带来了冷启动问题，并带来了适应用户行为随时间变化的挑战。我们将这两个挑战作为在线学习问题全面解决，并提出了 BayesCNS，这是一种旨在处理冷启动和… 的贝叶斯方法
来源:Apple机器学习研究搜索和推荐平台中使用的信息检索 (IR) 系统经常使用学习排序 (LTR) 模型来对响应用户查询的项目进行排序。这些模型严重依赖从用户交互中获得的特征，例如点击和参与度数据。这种依赖性为缺乏用户参与度的项目引入了冷启动问题，并带来了适应用户行为随时间变化的非平稳变化的挑战。我们将这两个挑战作为在线学习问题全面解决，并提出了 BayesCNS，这是一种贝叶斯方法，旨在大规模处理搜索系统中的冷启动和非平稳分布变化。BayesCNS 通过估计用户项目交互的先验分布来实现这一点，这些先验分布会随着在线收集的新用户交互不断更新。此在线学习过程由排序器模型指导，可使用排序器提供的上下文信息高效探索相关项目。我们成功地在大型搜索系统中部署了 BayesCNS，并通过全面的离线和在线实验证明了其有效性。值得注意的是，在线 A/B 实验显示，与现有生产基线相比，新项目交互增加了 10.60%，总体成功指标提高了 1.05%。