京东搜索重排：基于互信息的用户偏好导向模型
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。
延伸解读
用户决策阶段与多样性需求的动态关联
文章指出，用户从搜索到下单存在不同决策阶段（如“买”和“逛”），不同阶段对多样性的需求不同。现有模型未能直接建模这种关系。PODM-MI通过多维高斯分布捕捉用户多样性偏好，并利用方差反映偏好的收敛或发散趋势，从而自适应调整排序结果。这提示我们，重排算法需动态感知用户意图演变，而非静态处理。
互信息与变分推理在重排中的实践
PODM-MI利用互信息量化候选商品与用户偏好之间的相关性，并通过最大化变分推理下界来优化这一目标。这种方法避免了直接估计互信息的不可行性，使模型能够对齐用户意图分布与商品分布。最终，通过可学习的效用矩阵调整排序分数，在准确性和多样性之间取得平衡。这为电商搜索重排提供了一种可落地的技术路径。
在线A/B测试与业务影响
在京东主搜的在线A/B测试中，PODM-MI不仅提升了用户购买可能性（UCVR），还增加了结果多样性。文章强调，UCVR每提升0.10%就能带来显著收入，因此该模型的提升具有实际业务价值。这表明，兼顾准确性与多样性的重排策略能直接促进转化，而非仅优化单一指标。
可视化分析与案例验证
通过TSNE可视化，文章展示了不同查询流的发散与收敛趋势与排序结果熵的对应关系：查询流越发散，结果越多样；越收敛，结果越集中。具体案例中，对于历史查询多样的用户，PODM-MI在“蔬菜水果脱水机”查询下产生更多样化结果；对于收敛查询，则更集中且匹配历史。这验证了模型对用户意图演变的适应能力。
Q&A
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。
