论文
促进增长市场的本地化：减轻学习排名中的跨区域行为偏差
Localization Boosting for Growth Markets: Mitigating Cross-Locale Behavioral Bias in Learning-to-Rank
摘要
Adobe Express 正在国际化扩张，但美国拥有不成比例的庞大内容供应和互动量。主要根据行为反馈训练的学习排名（LTR）模型继承了这种不平衡：在美国流行的模板在非美国地区被过度使用。这种跨区域曝光偏差抑制了本地内容的可发现性，并降低了增长区域的排名质量。我们表明，仅点击训练会抑制语义信息丰富的本地化特征。添加视觉语言模型 (VLM) 分级相关性标签作为点击旁边的辅助监督可以改善语义对齐，但不会保留本地内容可见性。我们提出了一个多目标框架，结合了行为监督、VLM 派生的相关信号和区域感知增强。在五个语言环境中，生成的模型提高了相关性，同时恢复了稳定的本地化，这证明了将暴露与语义监督分开的重要性。