ترجمه فارسی مقاله کاوش مبتنی بر عدم قطعیت عمیق برای ساخت و بازیابی شاخص در سیستم پیشنهاددهنده

چکیده

In recommendation systems, the relevance and novelty of the final results are selected through a cascade system of Matching -> Ranking -> Strategy. The matching model serves as the starting point of the pipeline and determines the upper bound of the subsequent stages. Balancing the relevance and novelty of matching results is a crucial step in the design and optimization of recommendation systems, contributing significantly to improving recommendation quality. However, the typical matching algorithms have not simultaneously addressed the relevance and novelty perfectly. One main reason is that deep matching algorithms exhibit significant uncertainty when estimating items in the long tail (e.g., due to insufficient training samples) items.The uncertainty not only affects the training of the models but also influences the confidence in the index construction and beam search retrieval process of these models. This paper proposes the UICR (Uncertainty-based explore for Index Construction and Retrieval) algorithm, which introduces the concept of uncertainty modeling in the matching stage and achieves multi-task modeling of model uncertainty and index uncertainty. The final matching results are obtained by combining the relevance score and uncertainty score infered by the model. Experimental results demonstrate that the UICR improves novelty without sacrificing relevance on realworld industrial productive environments and multiple open-source datasets. Remarkably, online A/B test results of display advertising in Shopee demonstrates the effectiveness of the proposed algorithm.

چکیده به فارسی (ترجمه ماشینی)

در سیستم های توصیه ، ارتباط و جدید بودن نتایج نهایی از طریق یک سیستم آبشار تطبیق -> رتبه بندی -> استراتژی انتخاب می شود.مدل تطبیق به عنوان نقطه شروع خط لوله عمل می کند و مرز بالایی مراحل بعدی را تعیین می کند.متعادل کردن ارتباط و جدید بودن نتایج تطبیق یک گام مهم در طراحی و بهینه سازی سیستم های توصیه است و به طور قابل توجهی در بهبود کیفیت توصیه نقش دارد.با این حال ، الگوریتم های تطبیق معمولی به طور همزمان به ارتباط و تازگی کاملاً پرداخته نشده اند.یکی از دلایل اصلی این است که الگوریتم های تطبیق عمیق هنگام تخمین موارد در دم بلند (به عنوان مثال ، به دلیل نمونه های آموزش کافی) ، عدم اطمینان قابل توجهی را نشان می دهند. عدم اطمینان نه تنها بر آموزش مدل ها تأثیر می گذارد بلکه بر اعتماد به نفس در ساخت شاخص و پرتو تأثیر می گذارد.روند بازیابی این مدل ها.این مقاله الگوریتم UICR (اکتشاف مبتنی بر عدم اطمینان برای ساخت و بازیابی شاخص) را ارائه می دهد ، که مفهوم مدل سازی عدم اطمینان را در مرحله تطبیق معرفی می کند و به مدل سازی چند وظیفه ای از عدم اطمینان مدل و عدم اطمینان شاخص می پردازد.نتایج تطبیق نهایی با ترکیب نمره ارتباط و نمره عدم اطمینان استنباط شده توسط مدل بدست می آید.نتایج تجربی نشان می دهد که UICR بدون قربانی کردن ارتباط در محیط های تولیدی صنعتی RealWorld و چندین مجموعه داده منبع باز ، تازگی را بهبود می بخشد.نکته قابل توجه ، نتایج آزمون آنلاین A/B از تبلیغات نمایشگر در Shopee اثربخشی الگوریتم پیشنهادی را نشان می دهد.