相似商品推荐的多相关性排序模型-译文-来自:eBay

eBay最近推出了一种名为“Ranker”的新型推荐模型，该模型基于自然语言处理（NLP）技术，特别是BERT模型，从语义角度分析商品标题信息。与之前的模型相比，Ranker帮助eBay将原生应用（Android和iOS）和Web平台上的购买、点击和广告指标分别提升了3.76%、2.74%和4.06%。

这一成果的背后，是eBay对推荐系统技术的不断创新。eBay的推荐系统由三个阶段组成，其中最关键的是获取“召回集”，即Promoted Listing Similar。eBay使用离线历史数据训练的Ranker模型，根据购买的可能性对召回集进行排序，再通过合并卖家广告率对列表进行重新排序。这种基于深度学习的特征显著提升了性能。

eBay的推荐系统创新主要体现在以下几个方面：

首先，eBay开发了eBERT模型，这是一种BERT变体，使用eBay商品标题数据进行了预训练。eBERT在eBay的一组标记任务上的表现显著优于开箱即用的BERT模型，F1得分为88.9。这表明，针对特定领域进行预训练可以显著提高模型的性能。

其次，为了满足高吞吐量推断的需求，eBay开发了microBERT模型，这是BERT的轻量级版本，并针对CPU推理进行了优化。通过知识蒸馏过程，microBERT保留了相当于eBERT 95%到98%的推理质量，而时间减少了300%。这表明，通过模型压缩技术可以在保证性能的同时显著提高模型的运行效率。

最后，eBay使用了对比损失函数InfoNCE对microBERT进行微调。商品标题被编码成词袋向量，模型的训练目标是增加已知彼此相关的这些向量之间的主题距离的余弦相似度，同时降低迷你批次中所有其他商品标题对的余弦相似度。这种方法可以更准确地捕捉商品标题之间的语义相似性。

eBay的这些创新不仅提高了推荐系统的性能，也带来了显著的商业价值。通过更精准的推荐，eBay能够更好地满足用户需求，提高用户满意度和购买转化率。同时，更高效的模型也降低了运营成本，提高了系统的可扩展性。

然而，推荐系统的发展也面临着一些挑战。例如，如何在个性化和多样性之间取得平衡，如何应对数据稀疏性和冷启动问题，以及如何保护用户隐私等。这些问题都需要业界继续探索和创新。

展望未来，多模态推荐技术将在电子商务中发挥越来越重要的作用。eBay正在探索将图像、文本等多种模态信息融合到推荐系统中，以提供更全面和准确的推荐。这种趋势可能会改变用户的购物方式，从被动浏览到主动发现，从而创造新的商业机会。

总的来说，eBay的多相关性排序模型代表了电子商务推荐系统的发展方向。它不仅提高了推荐的准确性，也展示了如何将前沿的AI技术应用于实际业务场景。随着技术的不断进步，我们可以期待看到更多创新的推荐系统，为用户带来更好的购物体验，同时也为企业创造更大的价值。