Teil 1: Einführung in Learning to Rank für die E-Commerce-Suche

Ranking-Modelle lernen Abstraktionen von Relevanzabhängigkeiten für Produkte bei einer bestimmten Anfrage. Bekannte LTR-Modelle verwenden punktweise, paarweise und listenweise Ansätze zur Optimierung des Rankings (für weitere Details siehe: https: //medium.com/swlh/pointwise-pairwise-and-listwise-learning-to-rank-baf0ad76203e). Wir verwenden LambdaMART, das als eine Kombination aus einem paarweisen und einem listenweisen Ansatz betrachtet werden kann. LambdaMART berechnet die Gradienten auf der Grundlage eines paarweisen Vergleichs der Elemente in der Liste, gefolgt von einer Gewichtung auf der Grundlage der NDCG (einer gängigen Ranking-Metrik) und kombiniert so die Vorteile beider Ansätze. Wie bereits erwähnt, haben diese Modelle ein großes Potenzial für den elektronischen Handel. Allerdings gibt es auch verschiedene sektorspezifische Herausforderungen zu berücksichtigen, von denen wir einige im nächsten Abschnitt behandeln werden.

Eine Herausforderung, mit der wir aufgrund unserer E-Commerce-Umgebung konfrontiert sind, besteht darin, dass wir keine Relevanzkennzeichnungen über Crowd Sourcing oder ähnliche Ansätze generieren können. Die Einschätzung der Relevanz eines Produkts in einer Crowd-Sourcing-Umgebung unterscheidet sich stark von der Kaufabsicht und der Einschätzung der Relevanz aus dieser Perspektive. Wir müssen daher die Bewertungen automatisch auf der Grundlage von Kundendaten modellieren. Wie das genau gemacht wird, hängt von dem KPI ab, für den wir optimieren wollen.

Ursprünglich wollten wir unser Modell nur für die Maximierung der Klicks optimieren. Wir haben jedoch bald herausgefunden, dass andere KPIs genauso wichtig, wenn nicht sogar wichtiger sind. Die Verfügbarkeit von Produkten zum Beispiel spielt eine große Rolle bei der Kaufentscheidung eines Kunden, genauso wie andere wichtige Faktoren auch. Mit diesem Wissen sind viele verschiedene Definitionen der Zielkennzahl denkbar

• Die Ereignisse "In den Warenkorb" oder "Auf die Wunschliste" könnten als Zielmetrik dienen, wobei das ultimative Relevanzsignal der Kunde ist, der das Produkt bestellt, so dass dies ebenfalls als Optimierungsziel für das Modell definiert werden könnte. Darüber hinaus sollten verschiedene Kombinationen dieser KPIs als relevant für die Identifizierung einer guten Zielmetrik betrachtet werden.
• Wir könnten auch andere Kundeninteraktionssignale verwenden, wie z. B. die Zeit, die auf einer Produktdetailseite verbracht wird, die Anzahl der Klicks, die in das Durchlaufen von Suchergebnisseiten investiert werden, usw.