Nghiên cứu
ZooWork-ShopRanker: Mô hình xếp hạng lại thương mại điện tử tối ưu theo sở thích người dùng
(giờ Việt Nam)
Tóm tắt AI
ZooWork-ShopRanker là dòng mô hình reranker (0.6B, 4B, 8B) được huấn luyện dựa trên dữ liệu đánh giá sở thích mua sắm từ các LLM, giúp cải thiện độ chính xác khi xếp hạng sản phẩm so với các mô hình tìm kiếm web thông thường.
Chính văn · Bản dịch AI
Tóm tắt: Các mô hình reranker mã nguồn mở được huấn luyện cho truy xuất web tổng quát thường không chuyển đổi hiệu quả sang lĩnh vực thương mại điện tử, nơi các quyết định xếp hạng không chỉ phụ thuộc vào mức độ liên quan theo chủ đề mà còn vào sở thích người dùng, các ràng buộc sản phẩm và mức độ phù hợp tương đối của sản phẩm. Các tín hiệu sở thích này rất khó để giám sát ở quy mô lớn: lưu lượng tìm kiếm thực tế cung cấp các truy vấn và ứng viên xác thực nhưng lại thiếu các nhãn cặp sạch. Chúng tôi giới thiệu ZooWork-ShopRanker, một dòng reranker thương mại điện tử (0.6B, 4B và 8B) được căn chỉnh để đánh giá dựa trên sở thích mua sắm đã được gắn nhãn bởi chuyên gia. Các cặp huấn luyện được gắn nhãn bởi một hội đồng các mô hình ngôn ngữ lớn (LLM) suy luận từ các dòng mô hình khác nhau đóng vai trò như một oracle về sở thích, với các đánh giá đã loại bỏ độ lệch vị trí và các cấp độ đồng thuận, sau đó các reranker được huấn luyện trên các nhãn này. Mô hình 8B hàng đầu sau khi căn chỉnh đóng vai trò là giáo viên chưng cất cho các mô hình 4B và 0.6B hiệu quả hơn, vốn được khớp với điểm số của mô hình 8B và được tinh chỉnh trên các cặp đã được đánh giá. Để đo lường tiến độ, chúng tôi giới thiệu ShopRank-Bench, một bộ benchmark giới hạn nhiễm dữ liệu gồm khoảng 10.000 cặp sở thích từ lưu lượng truy cập riêng tư ở cả hai định dạng văn bản, được phân cấp theo số lượng các dòng mô hình chuyên gia đồng thuận với mỗi nhãn. ZooWork-ShopRanker-8B và -4B vượt trội đáng kể so với mô hình reranker mã nguồn mở mạnh nhất, mọi mô hình đều đánh bại đáng kể phiên bản cơ sở chưa căn chỉnh của chính nó, và ZooWork-ShopRanker-0.6B đánh bại các mô hình cùng kích thước; các cải tiến này duy trì ở cả hai định dạng và mở rộng sang các benchmark MTEB phổ biến. Chúng tôi phát hành các mô hình và ShopRank-Bench định dạng kép để tạo điều kiện cho các nghiên cứu tiếp theo.
| Bình luận: | Trang dự án: \url{this https URL} |
| Chủ đề: | Tính toán và Ngôn ngữ (cs.CL) |
| Trích dẫn là: | arXiv:2609.31002 [cs.CL] |
| (hoặc arXiv:2609.31002v1 [cs.CL] cho phiên bản này) | |
| https://doi.org/10.48550/arXiv.2609.31002 DOI do arXiv cấp thông qua DataCite (đang chờ đăng ký) |
Lịch sử gửi bài
Từ: Siqiao Xue [xem email] [v1] Thứ Sáu, 25 tháng 9 năm 2026 08:47:19 UTC (156 KB)
Bài viết được AI dịch và tổng hợp tự động từ Hugging Face Daily Papers. Liên kết bài gốc ở phía trên. AIHOT.vn luôn dẫn nguồn đầy đủ — nếu bạn thấy điểm cần chỉnh sửa, hãy gửi ý kiến tại trang phản hồi.