Los códigos estables ayudan a conservar la calidad de búsqueda

Cuando un buscador de comercio electrónico actualiza el mapa que vincula las secuencias de códigos generadas por el modelo con los productos, ¿puede seguir añadiendo artículos sin alterar las rutas de recuperación aprendidas para los productos existentes?

El estudio evalúa cómo cambia la recuperación con la reasignación y si conservar los códigos antiguos ayuda.

Los autores evalúan empíricamente actualizaciones de identificadores en la recuperación de comercio electrónico y encuentran que conservar los códigos de artículos antiguos ayuda a proteger la calidad de búsqueda al añadir artículos nuevos.

Los autores usaron registros de búsquedas de comercio electrónico para comprobar si cambiar los identificadores de artículos existentes perjudica la recuperación y si conservarlos ayuda cuando llegan artículos nuevos.

Para cada consulta, el sistema generó identificadores candidatos y el mapa vigente los convirtió en artículos; HitRate contó las consultas cuyo objetivo figuró entre los primeros B candidatos identificados.

Cuando ambas políticas de mapeo se entrenaron con warm-start desde el mismo modelo y con los mismos datos acumulados, conservar los identificadores antiguos produjo un HitRate con tamaño de beam 1 mayor que la reasignación completa, tanto para artículos antiguos como nuevos.

Con los identificadores congelados, el entrenamiento con warm-start también elevó HitRate@1000 en ambos grupos frente a no reentrenar. Los hallazgos respaldan conservar los identificadores antiguos y entrenar para incorporar artículos nuevos en el ciclo de actualización evaluado.

Estos hallazgos proceden de evaluaciones sin conexión y una prueba en línea en un entorno específico de comercio electrónico.

Los autores probaron un procedimiento sencillo de warm-start y advierten que un método más sólido de aprendizaje continuo podría recuperar parte del rendimiento después de que cambien los identificadores.