研究人员开发了一种新颖的方法，用于为密集检索模型生成高质量的训练数据，特别适用于电子商务赞助搜索。该方法利用多个检索系统之间的分歧来创建结构化训练信号，包括易正例、难正例和难负例。该系统结合了多通道检索挖掘、用于分级相关性标注的校准三模型级联，以及使用超过2.4亿个示例的渐进式课程训练策略。当在Walmart的赞助搜索上部署时，训练的BERT模型表现出显著的改进，包括NDCG@10提升5.1%，减少了令人尴尬的检索，并在A/B测试中对广告支出、点击率和转化率产生了积极影响。 AI
影响 该方法提供了一个可扩展的蓝图，通过用LLM标注的数据替换基于点击的训练来提高赞助搜索的相关性。
排序理由 该集群描述了一篇详细介绍新AI模型训练方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
