BT

您是否属于早期采用者或者创新人士?InfoQ正在努力为您设计更多新功能。了解更多

您现在处于全屏预览
关闭全屏预览

LTR(Learning To Rank)在个性化电商搜索领域的应用
录制于:

| 作者 吴晨 发布于 2017年4月19日 | 道AI风控、Serverless架构、EB级存储引擎,尽在ArchSummit!
48:24

概要
随着个性化搜索的技术发展及在电商领域的实践,排序策略,即如何将用户需要且质量度高商品排到合适位置;如何调节不同卖家流量;给质量好,且价格相对合适的商品更多流量,成为近年来研究的热门。传统的规则策略或仅依赖几个关键因素并寻求平衡的排序方案已很难达到较好的效果(特别在引入个性化特征后),因此,Learning to rank,结合检索,点击,展现日志,并通过机器学习模型来学习排序策略的方式,逐渐成为新的发展方向。 本次分享中,我们将讨论 LTR 的若干算法,特征工程(包括个性化特征等),标注样本构建抽样等方案,以及目前电商搜索领域常用的 Query-Full 和 Query-Less 场景中算法及特征选型思路。

个人简介

吴晨,毕业于同济大学计算机系,2011 年获博士学位,毕业后加入百度(中国)有限公司,主要从事机器学习方向研究,应用于广告检索,自然语言处理,知识图谱等领域,并发表相关论文及专利;2016 年,加入阿里巴巴集团,继续负责机器学习算法相关工作,并积极推动自然语言及排序技术在淘宝主搜及推荐场景应用。

QCon是由InfoQ主办的全球顶级技术盛会,每年在伦敦、北京、东京、纽约、圣保罗、杭州、旧金山召开。自2007年3月份首次举办以来,已经有包括传统制造、金融、电信、互联网、航空航天等领域的近万名架构师、项目经理、团队领导者和高级开发人员参加过QCon大会。

登陆InfoQ,与你最关心的话题互动。


找回密码....

Follow

关注你最喜爱的话题和作者

快速浏览网站内你所感兴趣话题的精选内容。

Like

内容自由定制

选择想要阅读的主题和喜爱的作者定制自己的新闻源。

Notifications

获取更新

设置通知机制以获取内容更新对您而言是否重要

BT