NLP技术在搜索推荐场景中的应用

NLP技术在搜索推荐中的应用非常广泛，例如在搜索广告的CTR预估模型中，NLP技术可以从语义角度提取一些对CTR预测有效的信息；在搜索场景中，也经常需要使用NLP技术确定展现的物料与搜索query的相关性，过滤掉相关性较差的物料，防止对用户体验造成负面影响。在推荐场景中，文本信息也可以作为一种泛化性较强的信息补充，弥补协同过滤信号的稀疏性问题，提升预测效果。

今天这篇文章梳理了NLP技术在搜索推荐场景中3个方面的应用，分别是NLP提升CTR预估效果、NLP解决搜索场景相关性问题、NLP信息优化基于推荐系统效果。

1 NLP特征提升CTR预估效果

Learning Supplementary NLP Features for CTR Prediction in Sponsored Search（KDD 2022）是微软必应团队在近年KDD上发表的一篇工作，主要介绍了如何利用NLP特征提升CTR预估的效果。这篇工作的应用场景是必应的搜索广告，需要对给定搜索词下不同的广告document进行CTR预测，并根据预测的CTR进行排序。

业内一般使用NLP特征的方法是，使用预训练的BERT模型，给当前query和document对进行相关性打分，将这个打分作为一维特征输入到CTR预估模型中。然而文中指出，这种应用NLP特征的方法并不是最优的。本文提出了一种BERT和CTR预估模型联合训练的方式，让BERT提取的语义特征和CTR预估任务更加契合。

基础的模型结构如下图，左侧是位置特征和CTR预估的其他特征（如user、context特征等），右侧是语义特征，使用预训练的BERT，以query和ad文本作为输入，得到query和ad匹配的向量。CTR预估的向量和BERT生成的向量相加后，作为最终表示进行CTR预测。
在这里插入图片描述

由于BERT模型的参数量很大，网络层数很深，而CTR预估模型的网络层数比较浅。这两个模型直接一起优化会比较困难。因此文中采用了两阶段的训练方法。在第一阶段，先分别独立的使用CTR预估的label训练不带语义特征的CTR预估模型，以及预训练的BERT模型，这一步得到了初始化参数。在第二阶段，将两个网络融合到一起学习，同时更新所有网络的参数。

由于BERT网络参数量大，计算比较慢，文中还采用了一种蒸馏的策略压缩BERT模型的体积。Teacher部分是原始的BERT+CTR模型，Student部分将BERT改为一个轻量级的语义模型，使用正则化约束轻量级语义模型和原始BERT输出的向量表示相接近，让Student网络蒸馏主模型的知识。
在这里插入图片描述

2 NLP解决搜索场景相关性问题

NLP在搜索场景或电商场景的一大应用，就是解决相关性问题。相关性和CTR预估问题存在比较大的差异，相关性是影响CTR的一个因素，CTR还受到user、展现创意质量等多种因素的影响。相比而言，相关性更加客观的衡量了搜索词和展现商品是否匹配。因此，业内一般会将相关性建模和CTR建模分开考虑，而NLP技术对于解决相关性问题至关重要。

BERT2DNN: BERT Distillation with Massive Unlabeled Data for Online E-Commerce Search（ICDM 2020）是京东和清华大学发表的一篇解决电商场景相关性问题的工作。下图对比了本文提出的方法和业内其他基础方法的差异。
在这里插入图片描述

解决相关性问题，数据来源有两个方面，一方面是根据用户的搜索和点击行为构造数据，例如query-item发生点击就认为是相关的。这种数据标注成本很低，数据量也很大，但是并不代表真正的相关性，存在一定的噪声。另一种类型的数据是人工标注的相关性数据，这类数据由于需要人工标注，比较精准，噪声小，但是标注成本较高，往往不会积累很多数据。A unified neural network approach to e-commerce relevance learning（2019）这篇解决相关性问题的文章中，使用了先在用户行为数据上预训练，再使用人工标注的高质量数据finetune的架构构建相关性模型。

本文提出的BERTDNN方法，优化点主要体现在对BERT的蒸馏以及模型训练流程上。模型主体结构采用BERT，输入query和item文本信息，预测打分结果。首先在干净的相关性语料数据以及人工标注的高质量数据上训练BERT模型，然后利用这个模型对搜索日志中的用户行为数据打分，得到大量的包含相关性打分的数据。接下来使用一个DNN模型拟合这个打分，将BERT中的知识蒸馏到DNN模型中。DNN模型的结构可以采用query和item的embedding在底层直接交叉的双单塔结构，或者分别交叉的双塔结构。DNN模型大大降低了运行开销，作为线上最终部署的模型。
在这里插入图片描述

3 NLP优化推荐系统效果

在推荐系统中，一般根据user对item的打分结果学习user和item的表示向量，然后利用向量检索进行推荐。然而，协同过滤信号存在稀疏性，容易影响模型效果。而user的填写的评价、item的描述等文本信息，在协同过滤信号的基础上提供了高泛化性特征，对于提升推荐效果很有帮助。

Gated Attentive-Autoencoder for Content-Aware Recommendation（WSDM 2019）就采用了item content表示与user-item打分关系的表示相融合的方式提升效果。文中利用user-item打分学习一个embedding，同时利用item的内容信息结合attention模块学习一个文本表示信息，然后使用一个门结构对两侧的信息进行融合。此外，本文还是用了item的邻居信息结合attention来丰富中心节点表示。
在这里插入图片描述

另一篇文章Aligning Dual Disentangled User Representations from Ratings and Textual Content（KDD 2022）也采用了类似的方法。本文为了刻画user与item之间发生交互行为的底层因素，采用了分解学习的方法，根据user-item的打分信息以及user的评论信息分别学习两个表示，然后在分解学习得到多个因素后，在因素这个维度进行两个表示的对齐。
在这里插入图片描述