详细内容或原文请订阅后点击阅览
使用混合文本和 ID 嵌入个性化增量视频搜索
增量视频搜索需要在每次击键后进行高质量排名，而意图通常不明确（例如，1-3 个字符前缀）。我们提出了一个 Apple TV 搜索的个性化系统，该系统在排名时结合了互补的语义和协作信号。我们的方法学习两个项目嵌入空间：(i) 基于文本的多语言编码器 (TextEmb)，通过对比学习对共同参与三元组进行微调；(ii) 基于 ID 的协作嵌入模型 (IdEmb)，根据交互衍生的积极因素进行训练。在服务时，我们从…构建用户表示
来源:Apple机器学习研究增量视频搜索需要在每次击键后进行高质量排名，而意图通常不明确（例如，1-3 个字符前缀）。我们提出了一个 Apple TV 搜索的个性化系统，该系统在排名时结合了互补的语义和协作信号。我们的方法学习两个项目嵌入空间：(i) 基于文本的多语言编码器 (TextEmb)，通过对比学习对共同参与三元组进行微调；(ii) 基于 ID 的协作嵌入模型 (IdEmb)，根据交互衍生的积极因素进行训练。在服务时，我们根据最近的观看历史记录构建用户表示，并将基于文本和 ID 的用户项目余弦相似度注入成对的 XGBoost 排名器中。我们使用暂时保留的离线数据集和为期三周的在线对照实验来评估该系统。离线时，对于具有用户历史记录的会话，与非个性化基线相比，个性化排名器将 NDCG@10 提高了 2.99%，将 MRR 提高了 3.30%。至关重要的是，切片分析表明，在意图仍在形成的增量搜索中最需要个性化：在不明确的前缀查询（1-3 个字符）上，NDCG@10 提升为 +8.63%，而在更长、更全面指定的查询上仅 +1.46%。与新用户相比，拥有较长观看历史记录的用户从个性化中获益更多：NDCG 提升量从拥有 1-5 条历史记录的用户的 +2.13% 上升到拥有 51-100 条历史记录的用户的 +4.37%。尽管长期历史队列的基线相关性较低（NDCG@10 从 0.733 下降到 0.680），但这种较大的提升还是会发生，这表明个性化在默认排名表现不佳的情况下增加了最大的价值。在网上，处理产生了具有统计意义的显着收益，点击率和转化率提高了 1.14% 和 1.23%，转化项目排名位置提高了 2.91%。我们通过消融隔离每个信号，进一步分析语义嵌入和协作嵌入之间的覆盖率和精度权衡，并通过法学硕士判断的相似性实验室评估保留语料库的嵌入质量