CORE：电子商务搜索的统一级联序数相关性估计框架

排名相关性是电商搜索的一项基础任务，直接影响排名质量和消费者体验。虽然本质上是一个序数分类问题，但它通常被表述为传统的多类分类，它忽略了相关级别之间的自然顺序，并对相邻和远处的错误分类分配相同的惩罚。这种不匹配导致实际相关性评估的学习目标不理想。为了解决这个问题，我们提出了一个适用于 大语言模型 推理和基于 BERT 的在线推理的统一级联二元分类框架，它将相关性估计重新表述为顺序决策过程，并将多类预测分解为一系列从较高相关性层到较低相关性层的有序二元判断。对于 大语言模型，我们设计了一个带有修剪策略和特定层奖励函数的逐步推理程序。对于在线 BERT 模型，我们用多个逐级二元分类器替换传统的分类头，并将 大语言模型 的功能提炼到在线模型中。广泛的离线工业基准评估和在线A/B实验表明，所提出的框架显着提高了相关性性能，将在线不良案例率降低了15.94%。进一步的分析表明分层建模对于相关性估计是有效的。