京东搜索重排：基于互信息的用户偏好导向模型
💡
原文中文，约3600字，阅读约需9分钟。
📝
内容提要
本文介绍了一种基于互信息的偏好导向多样性模型（PODM-MI），用于电子商务搜索的重排过程。该模型通过考虑用户需求的准确性和多样性，在重排过程中提高商品打分精度和多样性。PODM-MI采用多维高斯分布捕捉用户多样性偏好，并利用最大变分推理下界最大化用户多样性偏好与候选商品之间的互信息。实验结果证明了PODM-MI的显著提升。
🎯
关键要点
- 本文提出了一种基于互信息的偏好导向多样性模型（PODM-MI），用于电子商务搜索的重排过程。
- PODM-MI模型同时考虑用户需求的准确性和多样性，提高商品打分精度和多样性。
- 现有模型未能有效建模用户不同决策阶段与多样性的关系。
- 用户需求个性化，重排算法需自适应调整以满足多样性和准确性。
- PODM-MI使用多维高斯分布捕捉用户多样性偏好，并利用最大变分推理下界最大化互信息。
- 实验结果表明，PODM-MI在京东主搜上显著提升了用户购买可能性和商品多样性。
- 通过TSNE可视化分析，展示了不同查询流的发散与收敛趋势。
- 未来迭代方向包括引入更精细的特征和优化用户意图建模。
❓
延伸问答
PODM-MI模型的主要功能是什么？
PODM-MI模型用于电子商务搜索的重排过程，旨在同时提高商品打分的准确性和多样性。
PODM-MI如何捕捉用户的多样性偏好？
PODM-MI使用多维高斯分布来建模用户的多样性偏好，并通过最大变分推理下界最大化互信息。
PODM-MI在实验中取得了什么样的效果？
实验结果表明，PODM-MI显著提高了用户购买的可能性和商品的多样性。
现有模型在用户决策阶段建模方面存在哪些不足？
现有模型未能有效建模用户不同决策阶段与多样性的关系，导致无法满足用户的多样化需求。
PODM-MI模型如何应对用户需求的个性化？
PODM-MI模型通过自适应调整重排算法，以满足用户在不同场景下对准确性和多样性的不同需求。
未来PODM-MI模型的迭代方向是什么？
未来的迭代方向包括引入更精细的特征和优化用户意图建模，以更好地捕捉用户的逛买意图。
➡️
