Optimizing E-commerce Search: Toward a Generalizable and Rank-Consistent Pre-Ranking Model

在大型电商平台中，搜索系统通常由一系列模块组成，包括召回、预排序和排序阶段。作为轻量级模块的预排序阶段对于提前过滤大部分产品以供下游排序模块使用至关重要。优化预排序模型的工业努力主要集中在提高排序一致性、模型结构和长尾项目的泛化能力上。除了这些优化之外，满足系统性能要求也是一个重大挑战。与现有的工业作品相比，我们提出了一种新颖的方法：一种通用且排名一致的预排序模型（GRACE），它实现了以下目标：1）通过引入多个二元分类任务，预测产品是否在排名模型估计的前k个结果中，从而实现排名一致性，这有助于在常见的点对点排序模型上添加学习目标；2）通过预训练排名产品嵌入的子集，对所有产品进行对比学习表示，从而实现泛化；3）易于在特征构建和在线部署中实现。我们的广泛实验表明，在离线指标和在线A/B测试中都取得了显著的改进：AUC提高了0.75％，CVR提高了1.28％。

提出一种新的预排序模型（GRACE），以解决大型电商平台中搜索系统中的预排序问题。该模型能够提高排名一致性、泛化能力和系统性能。

GRACE模型通过引入多个二元分类任务来预测产品是否在排名模型的前k个结果中，从而提高排名一致性；通过对部分排名产品嵌入进行预训练，实现对所有产品表示的对比学习，从而提高泛化能力。

实验结果表明，GRACE模型在离线指标和在线A/B测试中均取得了显著的提高，AUC提高了0.75%，CVR提高了1.28%。

在该领域的相关研究包括：优化预排序模型的结构和泛化能力，以及针对长尾商品的处理。