MOHPER: Multi-objective Hyperparameter Optimization Framework for E-commerce Retrieval System

作者: Jungbae Park, Heonseok Jang

发布时间: 2025-03-10

来源: arxiv

研究方向: 电子商务搜索优化与多目标超参数优化

主要内容

本文提出了MOHPER，一个针对电子商务检索系统的多目标超参数优化框架。该框架利用贝叶斯优化和采样技术，联合优化点击率（CTR）、点击转化率（CTCVR）和其它相关目标，旨在平衡用户体验和收入目标。

1. 引入了第一个针对电子商务检索和排名任务的多目标超参数优化（HPO）框架。

2. 提出了高级的参数选择方法，包括元配置投票策略和利用先前最优配置的累积训练方法。

3. 在OHouse平台（韩国领先的家具电子商务平台）的显著数据集上进行了广泛的A/B测试，验证了MOHPER框架的实用性。

1. 贝叶斯优化

2. 采样技术

3. 元配置投票策略

4. 累积训练方法

5. 多目标优化

6. A/B测试

实验结果表明，MOHPER在多目标优化方面表现出色，在CTR、CTCVR和相关目标上实现了显著的性能提升。此外，MOHPER还通过元配置投票和累积训练方法提高了其适应性和效率。

未来的工作可能包括探索新的训练空间，以训练多样化的机器学习算法，以及改进目标函数的设计，以纳入检索项的新鲜度和多样性等因素。