One Hierarchy, Two Systems: Semantic Product IDs for Discovery-Surface Ranking and Search-Page Query Reformulation
本文证明了单一的学习型层级语义 ID 表示能够通过聚合行为信号实现改进的个性化排序，以及通过基于概念引导的导航实现更有效的查询重构，从而在保留特定任务上下文的同时，有效地统一产品发现与搜索任务。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在那些我们购买杂货、衣物和家居用品的庞大数字市场中，同一个产品往往呈现出许多不同的面孔。例如，某一特定品牌的牛奶，在一家商店可能以一种名称列出，而在另一家商店则可能使用完全不同的代码，尽管货架上的瓶装产品是完全一样的。这种碎片化使得计算机难以理解：一位购买了某个版本产品的顾客，很可能也会对另一个版本感兴趣。为了解决这个问题，研究人员长期以来一直尝试将产品进行分类，就像图书馆使用归档系统一样。然而，这些由人工创建的类别往往过于宽泛，无法捕捉到商品之间的细微差别，而来自每家商店的原始数据又过于混乱，难以将这些点连接起来。挑战在于，如何找到一种方法，教导计算机在不丢失对购物者而言重要的具体细节的情况下，识别出产品之间的关系。
DoorDash 的一个研究团队致力于通过创造一种新的产品表示方式来解决这一问题，这种方式可以作为推荐商品和辅助人们搜索的共同语言。他们开发了一个系统，将产品信息转换为一段简短且唯一的代码，类似于数字指纹。当他们分析这些代码时，发现它们自然地形成了一个层级结构，就像一组嵌套的盒子。代码的外层将产品归入宽泛的类别，而内层则深入挖掘日益具体的细节。这种结构使得系统能够理解两个产品具有相关性，是因为它们共享了代码的开头部分，即使列出它们的商店使用了不同的名称。研究人员随后测试了这一单一层级是否可以同时驱动两项截然不同的任务：决定在浏览页面上向客户展示哪些产品，以及在客户输入查询时建议更好的搜索词。
研究人员首先将这一层级结构应用于提升发现页面的产品排名问题，在这些页面中，用户会浏览诸如“夏季烧烤”或“美容”之类的商品轮播图。在过去，由于系统将每家商店的列表视为独立的实体，因此难以学习客户的偏好。如果用户在一家商店购买了特定类型的咖啡，系统并不会自动知道他们可能也会喜欢另一家商店的同款咖啡。通过使用这些新的层级化代码，系统可以将这些相似的商品组合在一起，并在所有这些商品中汇总客户的历史记录。这使得排名算法能够识别出对某种“产品概念”的偏好，而非仅仅是对单个商店列表的偏好。当他们在现实世界中进行测试时，该系统在预测客户想要将什么加入购物车方面变得显著提升。结果显示，用户的参与度有了明显的提高，客户添加购物车中的商品数量增加了，尤其是在浏览列表的顶部位置。或许更重要的是，该系统开始展示更多样化的产品，让不太受欢迎的商品也有公平被看到的机会，而不是仅仅重复那些最畅销的商品。
同样的层级结构也被用于改进搜索体验，特别是当用户输入查询时出现的建议。传统上，搜索系统通过查看人们在搜索历史中接下来输入了什么来建议新术语。这种方法经常失效，因为它会被拼写错误、缩写，或者同一个词在不同语境下具有不同含义的情况所困扰。新系统不再依赖于原始词汇，而是将用户的搜索转化为由层级化代码定义的“产品概念”。然后，它寻找这些概念之间的转换关系，而非单词之间的转换。例如，如果用户搜索“牛奶”，系统会将此理解为一个产品概念，并可以根据用户过去实际点击的内容，建议向“谷物类”进行横向移动，或将搜索精炼为“全脂牛奶”。这种方法证明比以往的方法更加精准。在测试中，新系统生成的建议更加清晰且有用，帮助用户更快地找到他们想要的东西。在部署给真实用户后，该系统减少了用户寻找产品所需的滚动次数和点击次数，这意味着购物者能以更少的努力达到其目标商品。
这项研究表明，一种学习到的产品代码层级结构可以作为推荐商品和优化搜索查询的强大基础。通过放弃僵化的、人工创建的类别，转而使用计算机直接从数据中学习到的结构，研究人员创建了一个既灵活又精准的系统。研究结果表明，当计算机理解产品在多个细节层级上的关系时，它们可以更好地满足每位购物者的特定需求。这些结果不仅是理论性的；它们在现实世界的实验中得到了衡量，新系统始终优于旧方法，从而带来了更满意的客户和更高效的市场。这项工作凸显了对产品结构的共同理解，如何弥合数百万个不同列表的混乱现实与每位购物者所期望的个性化体验之间的鸿沟。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。