京东电商搜索中的语义检索与商品排序( 三 ) _京东

我们还加入了 Graph 学习方法对 id 类特征 embedding 进行 pretrain，然后加入到模型训练中。具体方法使用用户的高质量点击行为生成商品 graph，通过 Random Walk 生成训练数据，然后利用 Skip-gram 进行训练，加入 id embedding 可以提高模型离线指标和收敛速度。

文章插图

3. 时效性优化
值得一提的是，为了增强排序捕捉变化的能力，提升排序的流动性，我们从三个方面：特征时效性、模型时效性、线上预估校准进行了优化。

提升特征时效性：接入商品小时级的点击加购订单等实时信号，训练模型学习实时变化
实时在线校准：根据商品全站的点击订单等实时反馈信号，对模型原来的预测分数及时校准
提升模型的更新频率：优化训练数据生产流程，推动训练平台升级，提升模型训练速度

搜索排序是商品检索最重要的模块之一，我们在个性化、时效性、多目标等方向不断迭代，提升了排序体验，也提升了商品成交量。
04
总结
我们介绍了语义检索召回和商品排序，在京东搜索服务上部署并取得了良好效果。我们还在尝试一些业内其他流行的方法，比如 GNN、KG、MMoE 等方向，也获得了不错的成绩。
文章作者：
王松林、唐国瑜，京东算法工程师。
团队介绍：
京东搜索应用科学部，负责京东商城商品搜索排序算法，覆盖京东主站，京喜，微信一级入口的京东搜索。团队成员有来自国内外大厂，也有来自中清北的优秀毕业生。我们致力于用技术驱动产品，用行业前沿的先进技术落地业务场景；从实际需求出发，用技术解决实际问题，做有用并且有趣的算法，我们也乐于把实践经验通过论文分享给业界。欢迎有技术情怀、有创新活力的你加入我们！

【京东电商搜索中的语义检索与商品排序】