.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
近年来，随着电子商务的快速增长，电子商务平台正成为人们寻找、比较并最终购买产品的主要场所。为了改善消费者的在线购物体验并增加卖家的销售额，准确理解用户意图并及时获知其变化至关重要。通过这种方式，可以在正确的时间向合适的人提供正确的信息。为此，我们提出了一种统一的深度意图预测网络，名为EdgeDIPN，该网络部署在边缘（即移动设备）上，能够实时同时监测多种不同粒度的用户意图。我们提出使用多任务学习来训练EdgeDIPN，通过这种方式，EdgeDIPN可以在不同任务之间共享表示，以获得更好的性能，同时节省边缘资源。具体而言，我们提出了一种新颖的任务特定注意力机制，使不同任务能够从不同数据源中挑选出最相关的特征。为了更有效地提取共享表示，我们利用了两种注意力机制，其中多级注意力机制试图识别每个数据源中的重要动作，而跨视图注意力机制学习不同数据源之间的交互。在针对大规模工业数据集进行的实验中，EdgeDIPN显著优于基线方案。此外，EdgeDIPN已被部署在阿里巴巴的运营系统中。在多个业务场景中的在线A/B测试结果表明，实时监测用户意图具有巨大潜力。据我们所知，EdgeDIPN是首个部署在边缘并服务于亿级用户的完整实时用户意图理解中心，适用于大规模电子商务平台。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息