《PIER: Permutation-Level Interest-Based End-to-End Re-ranking Framework in E-commerce》-CSDN博客

本文链接：https://blog.csdn.net/han_liwei/article/details/132526230

文章探讨了Feed流推荐中的上下文依赖问题，介绍了PIER框架，它通过FPSM和OCPM模块处理复杂度和捕捉上下文，实现在排序阶段同时考虑上下文并提高推荐效果。实验结果证明PIER在公开和工业数据集上的优势，已在美团外卖广告场景中取得成功。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Feed流推荐作为目前最主流的推荐载体，其推荐质量直接影响用户体验/商家效益/平台收入等多个核心指标。Feed推荐特点是为每个用户的请求生成并展示多个items，用户的点击行为会同时受到上文和下文影响。由于传统point-CTR预测是在展现items产生之前进行的，导致无法利用上下文信息，推荐质量受损。目前工业届更多考虑重排方案，然而由于排列的多样性，穷举会导致排列个数过多，实际很难落地。目前业界通常存在两种近似方案：

只考虑位置偏置和上文信息，但忽略下文影响效果；
同时考虑上下文，Listwise预估后重新排序，该方案存在Evaluation Before Reranking的问题。

以上两个方案在效果上均有损，因此如何在重排阶段同时考虑上下文，并且降低复杂度兼顾可落地性，是一个非常重要的问题。针对以上问题，论文提出了一个名为PIER的端到端重新排序框架，该框架遵循两阶段范式并包含两个主要模块，分别称为FPSM 和OCPM。基于用户页面兴趣偏好，在FPSM中应用SimHash从全排列中快速的生成候选列表集合，降低了落地复杂度；然后在OCPM中设计了一种新颖的全向注意力建模机制，以更好地捕获列表中的上下文信息；最后，通过引入对比学习损失以端到端的方式联合训练这两个模块，使用OCPM的预测值来指导FPSM生成更好的列表。离线实验结果表明，PIER在公开和工业数据集上均优于基线模型，目前已经部署到美团外卖广告场景，取得了较为显著的成果。