BayesCNS：一種統一的貝葉斯方法，用於解決大規模搜索系統中的冷啟動和非穩定性問題

資訊檢索系統的挑戰

在搜尋和推薦平台中，資訊檢索 (IR) 系統經常使用學習排名 (LTR) 模型來根據使用者的查詢對項目進行排序。這些模型非常依賴於來自使用者互動的特徵，例如點擊和參與數據。這種依賴性會導致冷啟動問題，特別是對於缺乏使用者互動的項目，並且隨著時間的推移，使用者行為的變化也會帶來挑戰。

解決方案：BayesCNS

我們將這兩個挑戰整體考量，並提出了一種名為 BayesCNS 的貝葉斯方法，旨在處理搜尋系統中的冷啟動和非穩定分佈變化。BayesCNS 透過估計使用者與項目互動的先驗分佈來達成這一目標，這些分佈會隨著新的使用者互動不斷更新。

在線學習過程

這個在線學習過程是由一個排名模型引導的，這使得我們能夠有效地探索相關的項目，並利用排名模型提供的上下文資訊。

實驗結果

我們成功地在一個大型搜尋系統中部署了 BayesCNS，並通過全面的離線和在線實驗證明了它的有效性。特別是在一個在線 A/B 實驗中，我們觀察到新項目的互動增加了 10.60%，整體成功指標也提高了 1.05%。