JD Search EE リンクの進化

検索システムにはヘッド効果が存在する可能性が高く、高品質のミッドテールおよびロングテール製品が十分な表示機会を得ることは困難です。システムのマシュー効果を打破し、表示結果の豊かさと多様性を向上させ、ミッドテールおよびロングテール製品の成長を支援する方法は、電子商取引プラットフォームの検索システムにとって重要なテーマです。その中で、検索EEシステムは、ソート結果の基本的な安定性を維持しながら、ソート結果に高品質のミッドテール製品とロングテール製品を散りばめることで、ユーザーに高品質の製品を動的に表示し、ユーザーエクスペリエンスと検索結果の豊富さを向上させ、マシュー効果の打破に大きく貢献しています。

この記事では、Search EE の最近の完全なイテレーションから始めて、EE 適応型動的検出モデル、EE シナリオ モデリング方法のアップグレード、スコアリングと散在する 2 段階の一貫性のアップグレード、検出と自然トラフィックの 4 段階でのグローバル リンクの最適化など、そのリンク進化の全体的なコンテキストを示し、Search EE に関する考え方と次のイテレーションの方向性を整理します。

1. EE適応型動的検出モデル

従来のEEモデルは、商品露出信頼度とスコアリング信頼度に基づいてEE商品の表示・挿入位置を決定しており、ユーザーの閲覧意図や探索意図の違いの観点から検出強度を考慮することはほとんどありませんでした。これにより、ユーザーが幅広く商品を閲覧して選択する際に豊富な商品選択肢が不足し、購入の決定を下す際に商品を探索するという誤った判断シナリオにつながり、ユーザーの検索エクスペリエンスに影響を与え、検索 EE システムの 2 つの主要機能である探索と活用を十分に発揮できなくなります。

上記の検出不一致状況に対応して、EE モデルでユーザーの「ショッピング」と「購入」の探索の好みを明示的にモデル化し、さらに好みを組み合わせて、検索 EE の利用と探索の強度を適応的に調整することができます。 「閲覧」を好むユーザー向けには、EE 探索が強化され、より豊富な探索表示が提供されます。また、購入意欲が強いユーザーには、より直接的な購入オプションが提供されます。ユーザーの探索の好みを明示的にモデル化することで、ユーザーのコンバージョン効率を向上させながら、検索結果の豊富さを向上させることができます。

1. 適応型探索モデルの最適化

適応型探索は、従来のEEモデルと比較して、EEモデルの適応型探索機能が向上しており、主に次の3つの側面に反映されています。（1）ユーザー探索嗜好の差別化モデリング：「ショッピング」と「購入」のユーザーに動的で差別化された探索力を提供し、変換効率と検索の豊富さのバランスを実現します。 （２）EEモデルのサブタスクとしてユーザの閲覧深度をモデル化する：閲覧深度はユーザの閲覧意欲の重要な指標として使用され、EEモデルにモデル化されて、ユーザの閲覧意欲に関するモデルの認識を明示的に強化します。 （３）モデルの探索的特徴の利用を改善する：探索的嗜好を明示的にモデル化し、モデル内の探索的特徴の学習重みを改善し、EEプロセスで探索的特徴を最大限に活用する。

2. ソリューション演習

EE モデルの適応探索機能を強化するために、元の EE モデルに対して次のアップグレードが実行されます。

（１）エクスプロアネット

オリジナルの EE モデルのメイン ネットワーク Exploit-Net を維持しながら、探索嗜好ネットワーク Explore-Net (図の左下の緑色の部分) を追加して、ユーザーの探索意図のモデルの差別化モデリングを改善します。

① 入力機能の最適化

ユーザーの探索意図は個人の特性と検索用語にのみ関連していることを考慮して、Explore-Net の入力機能はユーザー側とクエリ側の関連する機能のみを使用します。

特徴と探索の好みとの相関関係をさらに測定するために、異なる閲覧深度におけるさまざまな特徴の分布の違いを統計的に分析し、検索語の長さなど、閲覧深度と明らかに関連しない特徴を排除して特徴空間を合理化し、推定精度を向上させました。

②明示的なモデリング

元の EE モデルの入力には探索的特徴が含まれていますが、検索およびランキング タスクでは他の特徴によって簡単にマスクされ、利用率が低下します。探索嗜好モデリングでは、探索嗜好ネットワーク Explore-Net が明示的に構築され、ユーザーの探索意図を独立してモデル化し、探索的特徴の重要性を高めます。

最適化された EE モデルは、Exploit-Net と Explore-Net の二重構造になっています。Exploit-Net は製品を正確に評価し、候補製品を最大限に活用します。Explore-Net はユーザーの探索意欲をモデル化し、ユーザーの好みに応じて探索の強度を動的に調整し、製品の探索と利用のための完全なメカニズムを形成します。

（２）ユーザーブラウジング深層回帰タスク構築

元のトレーニング プロセスに基づいて、ユーザー ブラウジングのディープ回帰タスク (図の左上隅の赤い部分) が追加され、モデルによるユーザー ブラウジングの意図の認識が向上し、EE モデルの適応型探索機能が強化されました。

①補助タスクの選択

閲覧深度は、ユーザーの閲覧意図を直感的に反映したものであり、ユーザーの探索意欲を反映しています。そのため、閲覧深度推定タスクは、ユーザーの好みを明示的にモデル化するためのモデルトレーニングの補助タスクとして使用されます。

補助タスクの種類としては、閲覧深度を異なる区間に分割して予測する分類タスクと、閲覧深度の回帰タスクを総合的に考慮しました。実験では、分類タスクの方が表裏傾向がより顕著で、出力値の分布が不均一であったため、実際には回帰タスクが最終的に補助タスクとして選択されました。

②回帰タスク設計

サンプルデータの分析では、ユーザーの閲覧深度が大きく異なることが判明しました。閲覧深度の違いのバランスを取り、モデル出力値の均一性と多様性を確保するために、閲覧深度ラベルは対数平滑化され、閲覧深度タスクを構築するための補助タスクの損失関数として RMSE 損失が選択されました。

モデルのトレーニングではヘッドサンプルとテールサンプルが比較的少なく、浅すぎるサンプルや深すぎるサンプルの予測精度は低くなります。サンプル間の差異のバランスをとるために、損失関数のサンプル重み設計では、浅いサンプルから深いサンプルまでの対応するサンプルの重みは、最初に減少してから増加する「凹型」重みであり、ヘッド、テール、ウエストのサンプルの精度のバランスがとられています。

（３）Explore-Netとメインネットワークの二次融合

Explore-Net と Exploit-Net を融合することで (図の上部中央の赤い部分)、モデル全体の探索機能の利用が強化され、EE 隠し層埋め込みの豊富さが改善され、探索の好みが強いユーザーの不確実性スコアが増加し、探索された製品の範囲と豊富さが向上します。

① 機能融合

ユーザーの探索の好みはユーザーブラウジング深層回帰タスクで明示的にモデル化されるため、Explore-Net の出力埋め込みは高次元の探索機能を抽出し、ユーザーの好みを適応的にモデル化できます。

探索の好みの機能が全体的なタスクのトレーニングによりうまく参加し、スコアリングの精度と差別化のバランスをとることができるように、Explore-Net の深層表現を Exploit-Net の深層表現と結合して融合し、EE モデルの隠れ層埋め込みの豊かさと表現能力を向上させ、モデルのスコアリング能力を向上させます。

②不確実性推定融合

ユーザーの探索の好みは、製品の不確実性の推定と直接相関しています。探索的な意図が強いユーザーの場合、製品評価の不確実性を高めることで、検索結果により多くの製品が表示されるようになります。逆もまた同様です。したがって、不確実性推定モジュールでは、設計は探索表現レベルで統合されます。

不確実性推定（SVGP）モジュールでは、ブラウジング深層回帰ネットワークの出力値と分散推定部分を2回融合し、探索の好みが強いユーザーに対しては、製品の不確実性スコアを明示的に強化して探索の強度を向上させます。

3. アップグレード効果

（１）探査・利用効果分析

①EEモデルのスコアリング結果の分析：

同じ予測セットでは、平均スコアの検出強度は閲覧深度に応じて変化します。

結論:元のモデルと比較して、適応型探索モデルの平均検出強度は閲覧深度の増加とともに徐々に増加し、セッション次元の大きな差別化を反映しています。

②EE実験位置におけるインターレース製品位置の分析：

各実験位置において、平均挿入位置と閲覧深度の変化を統計的に分析した。

結論:テスト バケットの結果は、閲覧深度が増すにつれて、製品の平均挿入位置が元のモデルと比較して前方に移動し、探索の強度が向上することを示しています。

核心的な結論:探索と利用の効果に関する上記の分析を通じて、適応型探索モデルは設計の期待を満たしています。閲覧深度が低いセッションでは、挿入される製品が少なく、探索の強度が弱くなります。閲覧深度が深いセッションでは、EE モデルの探索意欲が強くなり、モデルの探索強度が高まり、散在する製品の位置が前進します。

（２）オンライン効果

EE のコア指標は、同じ検索効率を維持しながら大幅に改善され、完全に起動され、流動性と探索成功率は 0.5% 近く増加しました。

製品モデリングの考え方:

EE モジュールは、ユーザーの探索意図を差別的にモデル化した後、さまざまなユーザーに合わせて適応的な探索調整を実現し、一定のメリットを実現しました。ユーザー側のモデリング方法を最適化した後、製品側のモデリング方法をアップグレードおよび変換することが、EE 検出モデルをさらに改善するための合理的なエントリ ポイントになります。

2. EEシナリオモデリング手法のアップグレード

元のネットワーク モデリング方法は、クリックスルー率の単一タスクでした。クリックはコンバージョンの前提条件として使用されていました。クリック動作のモデリングは、潜在的なミッドテールおよびロングテール製品を調査するのに役立ちました。同時に、実際には、サンプルラベルを通じて動的な重み調整が行われ、変換効率を考慮しながら変換特性が暗黙的にモデル化されます。

クリックのみをモデル化することは、コンバージョン属性の高い製品には不向きです。また、クリックベイト行為を助長する可能性があり、全体的なエコロジカル環境を最適化し、検索に長期的な価値を生み出すという EE モジュールの本来の目的から逸脱しています。したがって、アップグレードのアイデアは、露出後にクリックを獲得するというフロントエンドのリンク動作にのみ焦点を当てるのではなく、コンバージョンリンク全体をモデル化し、製品の多次元属性に注意を払うことに限定されます。

1. EEシナリオモデリングの最適化

オリジナルの基礎の上に、変換動作の明示的なモデリングタスクを導入し、メインネットワーク構造をシングルタスククリックからマルチタスククリック変換タスクにアップグレードしました。マルチタスク方式でさまざまな動作のモデリング品質が向上し、より包括的で正確な製品モデリングが実現しました。

2. ソリューション演習

EE 適応探索メカニズムに基づいて、EE シナリオ モデリング メソッドのアップグレードは、次のように元のモデルを最適化およびアップグレードします。

（１）SVGPモジュール相互作用スキームの設計

元のモデルでは、メイン ネットワークと補助モジュールは SVGP モジュールで相互作用します。新しいソリューションの補助タスクは SVGP モジュールと相互作用する必要がありますか? 言い換えれば、ランダム ガウス プロセスがモデリング変換タスクに作用する必要があるかどうかが、ソリューション設計における主な考慮事項です。

具体的な実験では、SVGP により収束後に 1000 番目のレベルで AUC インデックスが減少することがわかりました。つまり、不確実性関数を導入すると、モデル効果がわずかに低下します。現在の SVGP モジュールがすでに必要な探索機能を提供していることを考慮すると、複数の SVGP を積み重ねることによってメリットを生み出すことは困難です。したがって、アップグレード プランでは、補助タスクを純粋なタスクに構築することを選択します。これにより、対応する SVGP モジュールを構築せずに製品属性のみをモデル化します。

（２）マルチタスクネットワークフレームワークの実装

オンラインでの EE 検出にかかる時間は比較的短いため、モデリング手法をアップグレードした後もこの目標を維持する必要があります。主流のマルチタスク構造 MMOE はパフォーマンスが優れていますが、オンライン時間の消費が増加するリスクがあります。そのため、オンライン時間の消費を増やすことなくマルチタスクモデリングを完了するために、より軽量なシェアボトム方式が選択されます。アップグレード ソリューションは、複数のタスクをデュアル タスク モデルとして設計し、表現抽出に低レベル ネットワークを使用し、高レベル ディメンションの 2 つのタワーを使用して、それぞれメイン タスクと補助タスクをモデル化します。

①タスクの組み合わせ選択

デュアルタスクはctrタスク+ctcvrタスクとして選択されます。クリックサンプルは順序サンプルよりも豊富であり、ctrポジティブサンプルが多いことを考慮すると、多数のガイドポイントを必要とするSVGPモジュールに適しています。同時に、クリックから購入までの行動の不確実性は高くなるため、クリック予測に不確実性スコアリングを導入する方が合理的です。そのため、ctr をメインタスクとして設定し、ctcvr を補助タスクとして設定します。

②モデル構造の反復

前述の反復プロセスにおけるモデル構造は、図の中央に示されています。低レベルネットワークは入力情報をエンコードした後、2 つの浅いタワーを使用してそれぞれ異なるタスクを学習します。この構造の潜在的な欠点は、一方では、低レベルネットワークの勾配が特定のタスク (CTR タスクなど) によって支配される可能性があり、他方では、上位レベルのタワーが浅すぎるため、タスク学習が不十分になる可能性があることです。

機能のみを共有し、タスク タワーの深さを増やすネットワーク構造をさらに調査します。マルチタスクスコア融合方式が同じ場合、新しい構造の方がオンラインでのパフォーマンスが向上するため、最終的な構造は上図の右端に示すようになり、より深いタワーヘッドを使用して各タスクをモデル化し、互いに機能のみを共有します。

③ 融合法の反復

上記のモデルは、オフライン指標で良好な収益を達成し、オンラインでのパフォーマンスも向上しましたが、全体的な効率と EE 関連指標を同時に改善できないという問題が発生しました。既存の実験を分析して整理した結果、現在のマルチタスク融合方法は比較的単純であり、改善の余地があると考えています。

加重加算、直接乗算、指数乗算の 3 つの方法から選択します。適切な理論的定量分析ツールがないため、実験結果に基づいて最適な融合方法と融合係数を選択することにしました。この目的のために、オフライン融合パラメータ検索モジュールを開発しました。予測中に各ヘッドのスコアリング結果を保存した後、グリッド検索を通じて最適なパラメータを選択しました。

複数のデータセットを横断して最適化することで、さまざまな融合方法の最適な係数を決定し、これに基づいてオンライン実験を実施して、最高のパフォーマンスを発揮する方法を選択しました。最終的に、全体的な効率指数を同じに保ちながら EE 指数を向上させる加重加算法を選択しました。

3. アップグレード効果

（１）モデル構築のアップグレード効果の分析

①EEモデルスコアリング判別分析：

同じ予測セットで、オフライン スコア分布が統計的に分析されます。

結論:分布はオレンジ色の線 (オリジナル バージョン) から青色の線 (アップグレード バージョン) に変わり、全体的に滑らかになり、さまざまな製品をより区別しやすくなります。

②EE検出頻度分析：

オンラインスコア分布の統計を収集し、オンライン検出状況を分析する

結論:横軸は N 以上の露出回数、縦軸は異なる SKU の数です。下の図は、モデルのアップグレード後、1 回だけ探索される dst SKU の数が減少し、ランダムな 1 回限りの検出が減少したことを示していますが、複数回探索される製品の数が増加しており、テストがミッドウエスト製品を探索する傾向が強まっていることを示しています。

（２）オンライン効果

検索効率はそのままに、流動性指標と探索成功率が大幅に改善され、本格的に始動しました。

リンクの一貫性に関する考慮事項:

EE スコアリング モデルの最適化が完了すると、ユーザーの探索意欲に応じて探索の強度をある程度動的に調整できるようになります。しかし、EEチェーン全体（候補セット生成→EEスコアリング→動的表示）の観点から見ると、EE動的散在決定段階とスコアリング段階は互いに独立しており、結果はxgb回帰モデルによって決定されるため、2つの段階間の連携と一貫性は弱い。ユーザーの閲覧意図をいかにフォローし、EE スコアリング → 動的表示の 2 つのリンクを同期的かつ一貫して調整するかが、さらなる最適化の方向性です。

3. スコアリングとインターリーブによるエンドツーエンドの一貫性のアップグレード

スコアリングと散在的提示の 2 つの段階を調整できないと、積極的なモデル スコアリングが豊富な散在的提示と一致しなくなり、EE の検出効果を同期的に増幅できなくなる可能性があります。さらに、2 つのステージは 2 つのモデルによって独立して制御されるため、メンテナンスと反復のコストも増加します。

この一貫性の問題に対応するために、エンドツーエンドのスコアリングおよびインターリーブ ソリューションがアップグレードされました。 EE モデルでモデル化されたユーザーの閲覧意図は、EE 検出の強度に影響を与えるだけでなく、動的散在表示戦略の強度も決定します。 2 段階の意思決定プロセスがエンドツーエンドで実装され、トラフィックがより合理的に分散され、幅広い意図を持つユーザーはより積極的な検出とより散在した共鳴を実現できます。

1. エンドツーエンドの動的インターリーブ機構の最適化ポイント

エンドツーエンドの動的インターリーブ メカニズムは、元の適応型探索に基づいており、アップグレード ポイントは主に次の 3 つの点に反映されています。

（１）閲覧深度推定精度の向上： EE探索嗜好モデリングネットワークExplore-netに基づいて、閲覧深度予測精度が向上しました。

（２）EEトラフィックの正確な割り当て：セッション閲覧深度の分布に基づいて、各深度における散在製品の量を動的に割り当て、EE散在製品比率制御の操作性を向上させます。

（３）モデルスコアリングと動的挿入量間のエンドツーエンドの一貫性の強化： EEメインモデルの閲覧深度を使用して、現在のセッションで挿入された製品の数をマッピングし、EE挿入製品量とEE製品スコアリングの2つのタスクをエンドツーエンドで解決し、2つのステージの一貫性を向上させます。

2. ソリューション演習

EE 適応探索メカニズムに基づいて、エンドツーエンドの動的インターリーブ メカニズムは、次のように元の動的インターリーブ メカニズムを最適化およびアップグレードします。

（１）動的インターリーブ機構のエンドツーエンドモデリング

①閲覧深度推定タスクの最適化

閲覧深度は、セッションにおけるユーザーの閲覧意図を表し、EE トラフィックの適切な割り当ての基本的な指標となります。閲覧深度が異なるセッションでは、適切な数の EE 製品を一致させることで、効率性を確保しながら検索結果の豊富さを向上させることができます。

適応型探索モデルにおけるExplore-Netの閲覧深度推定サブタスクの精度をさらに最適化し、それによって出力される閲覧深度推定値を評価しました。その精度は元のxgbモデルよりも大幅に高く、元のxgbモデルを置き換えることができます。

②エンドツーエンドのモデリング閲覧深度とモデルスコアリング

適応型探索実験では、Explore-Net を使用して、モデルスコアリングに関する差別化された探索を実行します。閲覧深度推定タスクは、商品数を挿入するタスクに適用できるため、モデルは 2 つのサブタスクをエンドツーエンドでモデル化できます。

（２）閲覧深度と散在する商品数とのマッピングを合理的に設計する

閲覧深度を正確に推定することで、推定された閲覧深度が挿入数にマッピングされ、挿入数とモデル スコアの一貫性が確保され、より深いセッションでは製品の挿入が多くなり、検出機能が強化されます。

3. アップグレード効果

（１）動的織り合わせ効果の分析

① 詳細な予測精度分析を閲覧する：

2つのモデルの閲覧深度推定精度を比較するために、RMSLE（平均二乗対数誤差）指標を使用して測定します。

結論:同じ検証セットでは、Explore-net モデルの推定精度は元のモデルよりも大幅に優れています。

② スコアリングと動的散在一貫性効果分析の検討：

ベースおよびテスト メカニズムの各閲覧深度で、事前に挿入された製品曲線と散在する製品数量分布チャートをチェックします。

結論は：

• 青（テスト）と黄色（ベース）の 2 つの実線を比較すると、浅いセッションでは、新しいメカニズムと古いメカニズムの間で散在する商品の数は基本的に同じです。より深いセッションでは、新しいメカニズムは古いメカニズムよりも多くの商品を挿入します。これは、探索が強くなると、新しい散在メカニズムがより多くの商品を探索することを示しています。
• 青色の実線と点線、黄色の実線と点線の曲線を比較すると、新しい散布機構による予想挿入量曲線は実際の挿入量曲線とより一致しており、散布量の設定がより合理的であり、新しい散布機構が製品のスコアリングとより一致していることがわかります。

（２）オンライン効果

検索効率はそのままに、EEの中核指標が一定程度改善され、本格的に始動しました。

全体的なトラフィックリンクの最適化に関する考察:

EEトラフィックの全体的な最適化後、ユーザーの閲覧意図に応じて、商品探索の強度とEEトラフィックの割り当てを適応的に調整できます。ただし、グローバルな商品表示結果から判断すると、EE検出トラフィックと自然トラフィックは互いに独立しており、両者の間に十分な連携と組み合わせがありません。

徐々にランキングリンク全体への視点を広げていくと、次に問題となるのは、EE トラフィックを自然トラフィックとどのようにリンクさせ、検索ランキングリンクの後の位置で EE の利点を十分に発揮させ、自然トラフィックを完全に補完し、最適化するかということです。

4. コンテキスト認識型ブランドストアディメンション検出

検索リンクでは、EE は比較的後発の位置にあります。しかし、元の EE システムではこの認識の利点を十分に活用しておらず、以前のソート結果の認識能力が弱かったです。一部の強力なブランドや店舗が支配するキーワードでは、トップブランドや店舗が密集する現象が発生し、高品質の新製品や中ロングテールの製品が露出できず、マシュー効果が顕著になります。

この問題を解決するために、私たちは商品ディメンション検出のみを考慮するという制限を打ち破り、より高いブランドと店舗ディメンションの観点からソート結果をグローバルに最適化し、コンテキストを認識する多次元検出機能を確立しようとしています。これは、文脈的なソート結果の認識を高め、自然なトラフィックにおける商品の分配を調整された方法で最適化し、ソートリンクのマシュー効果を体系的に緩和するように設計されています。

1. 文脈認識のための多次元検出メカニズムの最適化ポイント

コンテキスト認識型多次元検出メカニズムは、元の EE 検出機能に基づいて、次の 3 つの側面で最適化されています。

（1）コンテキスト認識機能を備えた新しいEE検出システム： EE前のランキングコンテキスト結果を完全に認識し、自然なトラフィック下で元の検索ランキング結果を適応的に最適化します。

（2）EE検出次元の拡張：既存のサポートされている製品粒度検出に加えて、ブランドや店舗など、よりマクロな観点からソートエコシステムを最適化します。

（３）EEトラフィックと自然トラフィックの連携のグローバル最適化：トップブランドとストアが特定のキーワードに集中する現象を緩和し、ランキングの多様性を向上させ、トップブランドとストアの製品の検出を回避し、マシュー効果を悪化させます。

2. ソリューション演習

このアップグレードにより、元の検索 EE インターリーブ メカニズムで次の機能が強化および最適化されます。

（１）コンテキスト認識機能の追加

元の検索 EE インターリーブ メカニズムに基づいて、検索用語属性とコンテキスト ソート結果の積分布を計算し、後続のインターリーブ プロセスをガイドする新しいコンテキスト認識機能が追加されました。

① 検索語の属性を認識する

検索ランキング結果の合理性を確保し、エクスペリエンスの問題を回避するために、コンテキスト認識機能は、クエリワードがブランドワード（Huawei など）であるかモデルワード（iPhone など）であるかを判断して、ブランドディメンション検出を有効にするかどうかを決定します。また、クエリワードが正確なストアワードであるかどうかを判断して、ストアディメンション検出を有効にするかどうかを決定します。

②選別結果の製品分布

コンテキストソート結果認識機能が新たに追加されました。アップリンク検索結果の上位k製品におけるブランドと店舗の分布をカウントすることで、ブランドや店舗が集中しているかどうかを判断し、多次元検出機能を有効にするかどうかを決定します。

（２）独自のインターリーブ機構の最適化

多次元検出のスタートスイッチとしての知覚能力に基づいて、独自の散在メカニズムが最適化され、EE表示効果と自然なトラフィック結果との連携を通じて検索結果の豊かさと多様性が向上し、検索結果に直接的かつ効率的な影響を与えます。

① 認識モジュールは、ユーザーの検索意図と商品分布を判断し、多次元検出を行うかどうかを決定します。

ユーザーの検索意図に直接関連する検索用語の多次元検出を動的に有効にします。クエリがブランド ワードまたはモデル ワードの場合、ブランド ディメンション検出は実行されません。クエリがストア ワードの場合、検索結果の精度に影響を与えないように、ストア ディメンション検出は実行されません。検索結果の最初の k 個の製品のブランド/ストア分布を考慮して、トップ ブランド/ストアのクラスタリングの問題があるかどうかを判断します。同じブランド/ストアの製品の割合が p% を超えると、このタイプの EE 製品は挿入されなくなります。

②インターリーブ結果の最適化

このタイプのEE製品が今後挿入されない場合は、このタイプは候補製品から削除され、残りの製品はEEスコアリング結果に基づいてソート結果に挿入されます。これにより、EEの散在プロセスと散在数に影響が及ばず、EEの散在位置と表示効果の合理性が保証されます。

3. アップグレード効果

（１）多次元検出効果の分析

①EE散在曝露率の分析：

EE挿入の過程で、EEモデルスコアが高いトップブランド/ストアの一部の商品がEE候補商品から除外され、残りの商品はモデルスコアがやや低かったため、挿入位置が後ろにずれたり、ソート結果に挿入できなかったりしました。EE挿入の露出シェアの低下を避けるため、閲覧深度ごとにEEが散在する商品の割り当てを増やしました。実験中、ベースとテストにおける EE の露出率は基本的に同じでした。

②多次元検知体験分析：

以下は、EE の点在する製品をさまざまなホットワードで比較したものです。

結論：テストメカニズムは、インターリーブプロセス中のベースメカニズムと比較してトップブランド/ストアの挿入を減らし、マシュー効果を緩和し、同時に、いくつかのブランド/ストアの製品が挿入されていることがあります。全体的な曝露は基本的にベースと同じであり、分析1の結論と一致しています。

（2）オンライン効果

同じ検索効率を維持しながら、多様性指標は大幅に改善され、完全に発売されました。

V.概要と見通し

この記事では、検索EEメカニズムの反復中の思考と進化プロセスに焦点を当て、検索エコロジーを最適化し、検索EEが検索結果の豊かさと経験に関する体系的な最適化を実施しました。

最適化のアイデアの観点から、EEシステムのボトルネックの問題を常に探しています。適応型探査メカニズムとモデリング方法を提供して、製品のスコアリングを散在する製品の数をリンクし、EEの交通分野を最適化します。全体的なアイデアは、製品間のスコアリングの最適化の調査 - EEトラフィックのパーソナライズされた割り当て - の自然トラフィックのグローバルな最適化への反復プロセスを反映しています。

検索EEは、将来、より多くの問題と課題に直面します。

• EEモデルのトレーニングサンプルスペースを拡張し、既存のタスクモデリングスキームを最適化します。
• 検索EEは、より広いリンクにラジエンスし、フルリンクEE探査機能を構築します。
• EEは、より広い範囲の製品モデリングをカバーし、中間およびロングテール製品のより完全な一般化された表現を作成します。