Современные рекомендательные системы отлично оптимизируют релевантность результатов поиска для платформ электронной коммерции. Поддерживая эту релевантность, платформы ищут возможности максимизировать выручку за счёт корректировки результатов поиска. Чтобы разрешить компромисс между релевантностью и выручкой, мы предлагаем фреймворк RARe (Raising Advertisement Revenue). RARe объединяет кликовую модель и модель переранжирования. Мы обучаем фреймворк RARe с функцией потерь для поиска компромиссов между выручкой и релевантностью. Согласно нашему опыту, кликовая модель играет ключевую роль во фреймворке RARe. Мы предлагаем и сравниваем две различные кликовые модели, учитывающие контекст элементов в результатах поиска. Первая кликовая модель — Gradient-Boosting Decision Tree with Concatenation (GBDT-C), которая включает контекст в традиционную модель GBDT для предсказания кликов. Вторая модель, SAINT-Q, адаптирует модель Sequential Attention для учёта влияний между результатами поиска. Наши эксперименты показывают, что предложенные кликовые модели превосходят базовые и улучшают общее качество нашего фреймворка. Эксперименты на промышленном наборе данных, который будет опубликован, демонстрируют значительный рост выручки у RARe при сохранении высокой релевантности.
препринт