从比较深度学习和 GBDT 模型在电子商务学习到排序中的行业洞察-机器学习-电子商务推荐-深度学习.pdfVIP

从比较深度学习和GBDT模型在电子商务学

习到排序中的行业洞察

YunusLutzTimoWilmPhilippDuwe

yunus.lutz@otto.detimo.wilm@otto.dephilipp.duwe@otto.de

OTTO(GmbHCo.KGaA)OTTO(GmbHCo.KGaA)OTTO(GmbHCo.KGaA)

Hamburg,GermanyHamburg,GermanyHamburg,Germany

摘要1介绍

本在电子商务推荐和有哪些信誉好的足球投注网站系统中，基于树的模型（如Lamb-LTR模型是电子商务推荐和有哪些信誉好的足球投注网站系统的重要组成部分，

译daMART）为排序学习任务（LTR）建立了强大的基线。其中排名质量直接关系到用户参与度和关键业务指标。

中尽管这些模型在业界表现出色并被广泛采用，关于深梯度提升决策树（GBDT），特别是LambdaMART，在

度神经网络（DNNs）是否能在这一领域超越传统的成功的LTR系统中起到了核心作用，这得益于它们的

1

v基于树模型的争论仍在继续。为了对这一讨论做出贡有效性和开源实现的可用性[10,11,13]。

3献，我们系统地将DNN与生产级别的LambdaMART一项学术研究报道了基于变换器的深度神经网络

5

7模型进行了基准测试。我们在OTTO的专有数据集上架构在LTR任务上优于GBDTs[16]。行业研究员证实

0

2评估了多种DNN架构和损失函数，并通过为期8周了这些发现，但由于可扩展性问题无法提供在线A/B

7.的在线A/B测试验证了我们的发现。结果显示，一个测试结果[4,14]。其他从业者报告称，在线A/B测试

0简单的DNN架构在总点击量和收入方面优于强大的中，一个隐藏层大小为32的单层前馈神经网络匹配

5

2基于树的基线模型，在售出总量方面则达到持平。了他们的GBDT基线性能，这引发了对其基线强度的

:

v疑问[8]。这些不确定的结果使得电子商务从业者在

i

x是否采用深度神经网络进行排名任务方面感到迷茫。

r

a本工作旨在通过在一个大规模电子商务环境中对

DNNs与我们的生产级LambdaMART模型进行全面的

CCSConcepts经验对比来解决这一不确定性。我们使用专有的OTTO

•Appliedcomputing→Onlineshopping;•Informa-数据集评估不同模型架构和损失函数的影响，并通过

tionsystems→Recommendersystems;Learning8周的在线A/B测试验证了我们的发现，为行业从业

torank.者在实际电子商务系统中的模型选择提供了可操作的

见解。

©YunusLutz,TimoWilm,andPhilippDuwe2025.这是“通过比较深度学

习和GBDT模型在电子商务中的学习排名获得的行业洞察”一文的作者版

本。在此仅供