淘宝粗排问题之对粗排阶段打分集合归因到对应的场景内和场景外成交如何解决

简介: 淘宝粗排问题之对粗排阶段打分集合归因到对应的场景内和场景外成交如何解决

问题一:全域成交hitrate指标是如何划分的?


全域成交hitrate指标是如何划分的?


参考回答:

全域成交hitrate指标可以划分为场景内成交和场景外成交两类。场景内成交是用户在搜索场景内产生的所有成交,而场景外成交是同一个用户关联到的非搜索场景产生的成交。


关于本问题的更多回答可点击原文查看:

https://developer.aliyun.com/ask/654789



问题二:如何对粗排阶段打分集合归因到对应的场景内和场景外成交?


如何对粗排阶段打分集合归因到对应的场景内和场景外成交?


参考回答:

通过埋点的方式,将多路召回结果统一使用粗排模型打分进行排序,并截断Top K计算搜索引导成交和符合相关性要求的非搜索关联成交对应的hitrate@K。对于场景外成交,需要根据搜索意图的相关性进行过滤。


关于本问题的更多回答可点击原文查看:

https://developer.aliyun.com/ask/654790



问题三:从场景外hitrate角度分析,粗排在输出10^3量级优质商品这个任务上的提升空间如何?


从场景外hitrate角度分析,粗排在输出10^3量级优质商品这个任务上的提升空间如何?


参考回答:

从场景外hitrate角度分析,当K从召回缩减到10^3时,场景内/外成交的hitrate衰减非常缓慢;当小于10^3后,指标衰减逐渐加快。因此,对于从召回集合中输出10^3量级的优质商品这个任务,粗排可以提升的空间天花板较低。


关于本问题的更多回答可点击原文查看:

https://developer.aliyun.com/ask/654791



问题四:衡量粗排->精排损失的指标有哪些?


衡量粗排->精排损失的指标有哪些?


参考回答:

衡量粗排->精排损失的指标包括粗排hitrate@10等粗排头部场景内成交、曝光商品粗排总分与精排效率分数的NDCG/逆序对,以及AUC。这些指标旨在评估粗排模型预测的准确性以及与精排模型的一致性。


关于本问题的更多回答可点击原文查看:

https://developer.aliyun.com/ask/654792



问题五:如何衡量召回->粗排损失?


如何衡量召回->粗排损失?


参考回答:

衡量召回->粗排损失的指标包括场景内hitrate@103和场景外hitrate@103。场景内hitrate@103通过比粗排打分小不到一个量级的集合近似表征,而场景外hitrate@103则以场景外指标为基准,判断粗排模型的能力。


关于本问题的更多回答可点击原文查看:

https://developer.aliyun.com/ask/654793

相关文章
|
5月前
|
图计算
综合评价法与权重方法汇总
综合评价法与权重方法汇总
|
2月前
|
Oracle Java 关系型数据库
淘宝粗排问题之引入场景外成交样本以优化全域成交hitrate,如何解决
淘宝粗排问题之引入场景外成交样本以优化全域成交hitrate,如何解决
|
2月前
|
搜索推荐 测试技术
淘宝粗排问题之在粗排模型中引入交叉特征如何解决
淘宝粗排问题之在粗排模型中引入交叉特征如何解决
|
2月前
|
搜索推荐
淘宝粗排问题之引入未曝光样本和随机负样本对粗排模型有何影响,如何解决
淘宝粗排问题之引入未曝光样本和随机负样本对粗排模型有何影响,如何解决
|
3月前
|
算法 搜索推荐
推荐系统,推荐算法01,是首页频道推荐,一个是文章相似结果推荐,用户物品画像构建就是用户喜欢看什么样的文章,打标签,文章画像就是有那些重要的词,用权重和向量表示,推荐架构和业务流
推荐系统,推荐算法01,是首页频道推荐,一个是文章相似结果推荐,用户物品画像构建就是用户喜欢看什么样的文章,打标签,文章画像就是有那些重要的词,用权重和向量表示,推荐架构和业务流
|
5月前
|
搜索推荐 测试技术 流计算
承上启下:基于全域漏斗分析的主搜深度统一粗排
文章首先介绍了淘宝搜索的多阶段检索系统,包括召回、粗排和精排阶段。粗排模型的目标是优化商品的排序,以提高在召回集合中选择优质商品的能力。文章提到,粗排模型与精排模型的目标有所不同,粗排更注重腰部商品的排序,而精排更注重头部商品的排序。 此外,文章还探讨了模型的损失函数形式,发现原始的softmax损失函数在处理多正样本时存在问题,提出了改进的损失函数,使得模型在粗排阶段的表现更佳。最后,作者们总结了优化工作的进展,以及优化样本对齐,以实现更好的整体效果。
|
5月前
|
存储 机器学习/深度学习 算法
R语言使用最优聚类簇数k-medoids聚类进行客户细分
R语言使用最优聚类簇数k-medoids聚类进行客户细分
|
机器学习/深度学习 自然语言处理 数据挖掘
向量召回:深入评估离线体系,探索优质召回方法
向量召回:深入评估离线体系,探索优质召回方法
向量召回:深入评估离线体系,探索优质召回方法
|
10月前
|
移动开发 人工智能
马尔可夫链预测举例——钢琴销售的存贮策略
马尔可夫链预测举例——钢琴销售的存贮策略
152 0
|
搜索推荐 算法 UED
推荐算法如何影响我们的生活
在生活中,我们经常面对需要决策的问题时,会使用多种策略来帮我们做出决策。诸如“我应该买哪个品牌手机?”,“我应该看哪部电影?”,“中午吃什么好?”等问题。我们做出选择时一般会依赖于朋友的推荐、在线评论、网上搜索和其他方法。 网上购物的兴起只会让这个决策过程变得更加复杂,因为购物者现在面临着更多的选择。互联网让我们从物质匮乏的时代变成了物质丰富的时代! 推荐引擎是帮助我们进行决策的工具。从推荐产品、要观看的电影、微信上的朋友到朋友、要阅读的新闻文章、搜索引擎优化、餐厅等等。在某种程度上,这些算法正在改变我们的决策过程。
202 0