详细内容或原文请订阅后点击阅览
Fortress：通过时态数据增强和特征修剪稳定搜索推荐的案例研究
在搜索和推荐系统中，当某些输入特征导致输出分数波动时，预测模型通常会遭受时间不稳定的影响。这种不稳定性会降低模型的可靠性和用户体验，尤其是在多阶段系统中，其中一致的预测对于下游决策至关重要。我们引入了 Fortress，这是一个通用框架，用于通过识别和修剪随着时间的推移导致预测分数不一致的特征来增强模型的稳定性和准确性。 Fortress 利用历史快照临时分区数据集......
来源:Apple机器学习研究在搜索和推荐系统中，当某些输入特征导致输出分数波动时，预测模型通常会遭受时间不稳定的影响。这种不稳定性会降低模型的可靠性和用户体验，尤其是在多阶段系统中，其中一致的预测对于下游决策至关重要。我们引入了 Fortress，这是一个通用框架，用于通过识别和修剪随着时间的推移导致预测分数不一致的特征来增强模型的稳定性和准确性。 Fortress 利用历史快照时间分区数据集捕获同一实体在不同时期的分数波动，并遵循四步过程：(1) 收集历史快照，(2) 识别具有不稳定预测的样本，(3) 隔离和删除导致不稳定的特征，以及 (4) 仅使用稳定特征重新训练模型。虽然 LLM 和基于 BERT 的模型的语义特征提高了泛化能力，但它们通常缺乏完整的查询或实体覆盖。基于参与度的特征提供了强大的预测能力，但往往会引入时间不稳定。 Fortress 通过抑制参与信号的波动性，同时保留其预测价值，从而产生更稳定和准确的模型，从而减轻了这种权衡。我们在大型应用程序市场中的查询到应用程序相关性模型上验证了 Fortress。离线实验表明预测稳定性（通过变异系数测量）和分类性能（通过 PR-AUC 测量）显着提高。