IJCAI 阿里巴巴三篇 oral 論文摘要

IJCAI 2018 於 7 月份在瑞典舉行。阿里巴巴作為國內優秀企業，也有三篇論文被收錄為口頭報告論文。這一事件在雷鋒網旗下學術頻道 AI 科技評論資料庫產品「AI 影響因子」中有相應加分。

以下為三篇 oral 論文摘要：

基於改進注意力循環控制門的品牌排序系統

A Brand-level Ranking System with the Customized Attention-GRU

在淘寶網等電子商務網站中, 品牌在用戶對商品做點擊/購買選擇時正起著越來越重要的作用, 部分原因是用戶現在越來越關注商品的質量, 而品牌是商品質量的一個保證。但是, 現有的排序系統並不是針對用戶對品牌的偏好設計的。某些處理方案一定程度上能減輕這個問題, 但仍然無法取得理想的效果或需要增加額外的交互成本。我們提出並設計了第一個品牌級排序系統來解決該問題, 該系統的核心挑戰是如何有效利用電子商務網站中的大量信息來對品牌作個性化排序。在我們的解決方案中, 我們首先針對個性化品牌排序問題設計特徵工程, 然後在 Attention-GRU 模型的基礎上, 提出了 3 個重要改進, 以更好地對品牌排序。值得注意的是, 這些改進也能應用於很多其他機器學習模型。我們在阿里巴巴天貓商城上做了大量實驗來驗證這個排序模型的有效性, 並測試了真實應用場景中 用戶對該排序系統的反饋。

JUMP: 一種點擊和停留時長的協同預估器

在搜索和推薦場景中，基於會話的預測日益受到人們的興趣和重視；大多這類演算法都是基於遞歸神經網路 (RNNs) 技術或者它的變種。然而，已有的演算法一方面會忽略「停留時長」在表達用戶偏好程度上的重要性，另一方面在非常短或者有噪音的會話上會預估的不準。因此在該文章的的工作中，我們提出了一種聯合預估演算法 JUMP，基於會話去同時預測用戶的點擊和停留時長。JUMP 使用一種新奇的三層 RNN 結構去編碼用戶的一次會話，包括使用一個「快慢層」去緩解短會話的問題，使用一個「注意力層」去解決會話噪音的問題。大量的實驗表明 JUMP 演算法能在點擊率預估和停留時長預估上，超越最新的其他演算法。

電商搜索全局排序方法

搜索排序的傳統方法是通過各種方法對商品進行打分，最後按照每個商品的分數進行排序。這樣傳統的搜索排序方法就無法考慮到展示出來的商品之間相互的影響。類似地，傳統的針對單個商品估計 ctr、cvr 的方法也都基於這樣一個假設：商品的 ctr、cvr不會受到同時展示出來的其他商品 (我們稱為展示 context) 的影響。而實際上一個商品的展示 context 可以影響到用戶的點擊或者購買決策：假如一個商品周邊的商品都和它比較類似，但是價格卻比它便宜，那麼用戶買它的概率不會高；反之如果周邊的商品都比它貴，那麼用戶買它的概率就會大增。如果打破傳統排序模型展示 context 沒有影響的假設，該如何進行排序呢？

為此，我們首次提出了一種考慮商品間相互影響的全局排序方法。我們將電商排序描述成一個全局優化問題，優化的目標是反應用戶滿意度的商品成交額：GMV（GrossMerchandise Volume）。準確地說，全局排序的優化目標是最大化 GMV 的數學期望。計算 GMV 的數學期望需要知道商品的成交概率，而商品的成交概率是彼此相互影響的，因此我們又提出了考慮商品間相互影響的成交概率估計模型。首先，我們提出了一種全局特徵擴展的思路，在估計一個商品的成交概率時，將其他商品的影響以全局特徵的形式加入到概率估計模型中，從而在估計時考慮到了其他商品的影響。然後，我們進一步提出了通過 RNN 模型來精確考慮商品的排序順序對商品成交概率的影響。通過使用 RNN 模型，我們將電商排序變成了一個序列生成的問題，並通過 beam search 演算法來尋找一個較好的排序。我們在淘寶無線主搜索平台上進行了大量的實驗，相對於當時的淘寶無線主搜演算法，取得了GMV 提升 5% 的效果。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！