An Interpretable Ensemble of Graph and Language Models for Improving Search Relevance in E-Commerce

在电子商务领域中，搜索相关性问题是一个具有挑战性的问题，因为它涉及理解用户的简短微妙查询的意图，并将其与目录中的适当产品匹配。传统上，这个问题是通过使用语言模型（LMs）和图神经网络（GNNs）来解决的，以捕捉语义和产品间行为信号。然而，新架构的快速发展已经在研究和实际采用这些技术之间产生了差距。评估这些模型的泛化能力需要在复杂的真实世界数据集上进行广泛实验，这可能是非常困难和昂贵的。此外，这些模型通常在人类难以理解的潜在空间表示上运行，使得评估和比较不同模型的有效性变得困难。这种缺乏可解释性阻碍了该领域新技术的发展和采用。为了弥合这一差距，我们提出了Plug and Play Graph LAnguage Model（PP-GLAM），这是一个可解释的插入式模型集合。我们的方法使用具有统一数据处理流程的模块化框架。它采用加性解释度量来独立地决定是否包括（i）语言模型候选项，（ii）GNN模型候选项和（iii）产品间行为信号。针对搜索相关性任务，我们展示了PP-GLAM在真实的多语言、多区域电子商务数据集上优于几种最先进的基线模型以及专有模型。为了促进更好的模型可理解性和采用，我们还提供了对我们的模型的可解释性和计算复杂性的分析。我们还提供了公共代码库，并提供了实际实现的部署策略。

论文提出了一个可解释的集成模型PP-GLAM来解决电子商务领域中的搜索相关性问题。该问题需要理解用户的查询意图并将其与目录中的适当产品匹配。

PP-GLAM使用模块化框架，采用统一的数据处理流程，并使用加法解释度量来独立决定是否包括语言模型候选项、GNN模型候选项和产品间行为信号。通过实验结果表明，PP-GLAM在真实世界的多语言、多区域电子商务数据集上优于几个最先进的基线和专有模型。

论文提供了一个可解释的集成模型PP-GLAM，以解决电子商务领域中的搜索相关性问题。该模型使用加法解释度量来提高模型的可解释性，并提供了分析模型可解释性和计算复杂性的结果。论文还提供了公共代码库和实用实现的部署策略。

在这个领域中，最近的相关研究包括使用语言模型和图神经网络来解决搜索相关性问题。例如，'BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer'和'Graph Convolutional Neural Networks for Web-Scale Recommender Systems'等论文。