【博士论文】电商搜索中的排序学习

本论文研究了在商品搜索（product search）中应用排序学习（learning-to-rank）模型所面临的挑战。已有研究表明，由于查询与商品描述通常具有有限且非结构化的特点，商品搜索中的词汇鸿沟（vocabulary gap）更为突出。因此，我们首先聚焦于基于文本数据的查询–商品匹配问题。我们对当前最先进的监督式学习匹配（learning-to-match）模型进行了系统评估，并比较了它们在商品搜索任务中的表现。研究结果识别出了在准确性与效率之间取得良好平衡的模型，为实践者提供了具有实用价值的洞见。 接下来，我们探讨了双边平台（two-sided platforms）中的排序公平性问题，其目标是同时满足两类商品搜索用户：消费者与商家。由于准确的曝光估计对于实现该平衡至关重要，我们提出了排序中“离群性”（outlierness）这一现象，作为影响基于曝光的公平排序算法的关键因素。离群项是指那些由于呈现特征（presentational features）独特而在列表中偏离其他商品的产品。我们通过实证研究显示，这类商品会吸引更多注意力，并可能影响排序中的曝光分布。为缓解这一影响，我们提出了一种降低离群性的方式，该方法在不损害用户效用或公平性的前提下实现了更稳定的排名。此外，我们提出“离群偏差”（outlier bias）这一新的点击偏差类型，并进一步提出了一种同时建模离群偏差与位置偏差（position bias）的离群感知点击模型（outlier-aware click model）。 最后，我们研究了不同呈现特征如何影响用户对离群项的注意力与感知。我们识别了用户的扫描模式（scanning patterns），并确定了自下而上（bottom-up）与自上而下（top-down）因素在引导注意力与塑造离群项感知过程中所起的作用。