RankTower: A Synergistic Framework for Enhancing Two-Tower Pre-Ranking Model

在大规模排名系统中，级联架构被广泛采用以在效率和效果之间实现平衡。预排名模块在选择后续排名模块的候选子集方面发挥着至关重要的作用。预排名模型在保持效率和准确性之间保持平衡以遵守在线延迟限制方面至关重要。本文提出了一种新颖的神经网络架构RankTower，旨在有效地捕捉用户-物品交互，并遵循用户-物品解耦范例以确保在线推理效率。所提出的方法采用混合训练目标，从级联排名系统的完整阶段获得样本，为不同的样本空间优化不同的目标。这种策略旨在增强预排名模型的排名能力，并提高与现有级联排名系统的改进对齐。在公共数据集上进行的实验结果表明，RankTower显著优于最先进的预排名模型。

论文试图提出一种新的神经网络架构RankTower，以平衡预排序模型的效率和准确性，以满足在线推荐系统的实时性要求。

RankTower采用混合训练目标，从级联排序系统的全阶段获取样本，针对不同的样本空间优化不同的目标，以提高预排序模型的排名能力和改进与现有级联排序系统的对齐性。

论文在公共数据集上进行了实验，结果表明RankTower明显优于现有的预排序模型。

与该领域的相关研究包括：1.《Efficient and Effective Pre-Ranking for Large-Scale Recommender Systems》；2.《A Neural Click Model for Web Search》；3.《Learning Hierarchical Representation Model for NextBasket Recommendation》等。