【数据挖掘】WSDM Cup 2020检索排序评测任务第一名经验总结( 四 ) |搜索引擎|算法|微软|

当然，在对本次评测进行复盘分析后，我们认为该任务还有较大提升的空间。首先在召回阶段，当前方案召回率为70%左右，可以尝试新的召回方案来提高召回率；其次，在排序阶段，还可以尝试基于Listwise的模式进行排序模型的训练，相比Pairwise的模式， Listwise模式下模型输入空间变为Query跟全部Candidate Doc ，理论上可以使模型学习到更好的排序能力。后续，我们还会再不断进行优化，追求卓越。
6. 落地应用本次评测任务与搜索与NLP部智能客服、搜索排序等业务中多个关键应用场景高度契合。目前，我们正在积极试验将获奖方案在智能问答、FAQ推荐和搜索核心排序等场景进行落地探索，用最优秀的技术解决方案来提升产品质量和服务水平，努力践行“帮大家吃得更好，生活更好”的使命。
参考文献 [1] Fang H, Zhai C X. An exploration of axiomatic approaches to information retrieval[C]//Proceedings of the 28th annual international ACM SIGIR conference on Research and development in information retrieval. 2005: 480-487.
[2] Wang Y, Yang P, Fang H. Evaluating Axiomatic Retrieval Models in the Core Track[C]//TREC. 2017.
[3] Devlin J, Chang M W, Lee K, et al. Bert: Pre-training of deep bidirectional transformers for language understanding[J]. arXiv preprint arXiv:1810.04805, 2018.
[4] Lee J, Yoon W, Kim S, et al. BioBERT: a pre-trained biomedical language representation model for biomedical text mining[J]. Bioinformatics, 2020, 36(4): 1234-1240.
[5] Beltagy I, Lo K, Cohan A. SciBERT: A pretrained language model for scientific text[C]//Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP). 2019: 3606-3611.
[6] Chen W, Liu S, Bao W, et al. An Effective Approach for Citation Intent Recognition Based on Bert and LightGBM. WSDM Cup 2020, Houston, Texas, USA, February 2020.
[7] Ke G, Meng Q, Finley T, et al. Lightgbm: A highly efficient gradient boosting decision tree[C]//Advances in neural information processing systems. 2017: 3146-3154.
作者简介帅朋，美团AI平台搜索与NLP部。会星，美团AI平台搜索与NLP部NLP中心对话平台负责人，研究员。仲远，美团AI平台搜索与NLP部负责人，高级研究员、高级总监。
---------- END ----------
招聘信息
美团-AI平台-搜索与NLP部-NLP中心在北京/上海长期招聘 NLP算法专家/研究员、对话平台研发工程师/技术专家、知识图谱算法专家，欢迎感兴趣的同学发送简历到：tech@meituan.com（邮件标题注明：NLP中心-北京/上海）