深度学习在工业搜索引擎、推荐系统和在线广告中的排名应用：概述与新视角

《ACM Transactions on Information Systems》：Deep Learning to Rank in Industrial Search Engines, Recommender Systems and Online Advertising: An Overview and New Perspectives

工业级排名系统面临的核心挑战与深度学习解决方案，涵盖匹配、预排名、细粒度排名等全流程模型，并探索大语言模型（LLMs）的潜在应用价值，推动搜索推荐与在线广告的效能提升。

　　

摘要AI摘要

要查看此由AI生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

搜索引擎、推荐系统和在线广告在现代网页和移动应用中发挥着重要作用。在这些信息系统中，最重要的组成部分是排名系统，它从数十亿个候选项目中挑选出可能用户感兴趣的项目列表。从根本上说，用于排名的深度学习（DLTR）已成为构建高性能排名模型的不可或缺的工具，显著提升了用户参与度和业务增长。在本文中，首先我们概述了工业级排名系统中的关键问题和挑战。其次，我们全面回顾了应用于排名流程多个阶段的深度学习模型，包括匹配、预排名、细粒度排名和后排名以及相关性排名。最后，我们探讨了未来研究的新方向，例如利用大型语言模型（LLMs）。本调查中讨论的论文列表位于https://github.com/guyulongcs/Awesome-Deep-Learning-Papers-for-Search-Recommendation-Advertising。

AI摘要

AI生成的摘要（实验性）

该摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现新内容、协助读者评估文章的相关性，并帮助来自相关研究领域的读者理解文章内容。它是对作者提供的摘要的补充，而作者提供的摘要仍然是文章的官方总结。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的摘要版本。

要查看此由AI生成的通俗语言摘要，您必须拥有高级访问权限。