Sequential Multimodal Evidence Optimization for Product Media Ranking in E-Commerce
电商产品媒体排序的序列化多模态证据优化
🧭 多模态媒体排序 · 离线策略优化 ★ 深度解读
Amazon.com Inc.
两阶段效用引导框架学习前缀转化效用并训练生存加权自回归策略，将决策关键媒体前置
📌 工作参考价值（5 点）
- 两阶段解耦：先学习并冻结轨迹效用模型作为 reward，再训练 Pointer Network 排序策略，避免直接对稀疏终端转化做 REINFORCE；适合 item/媒体 slate 排序，稳定且易于调参。
- 生存加权 reward-to-go：用用户到达位置的概率乘以边际效用作为逐步奖励，显式将高价值媒体前置，降低滑动深度；比终端回报和点击代理更贴合转化目标。
- PAL 双塔去位置偏差：训练时位置塔吸收 slot 偏差，推理/策略优化时丢弃，防止位置效应污染内容表示；离线评估中移除 PAL 会同时损伤 CVR 和 MSC。
- 交互特征 masking：训练期按概率将 dwell/click/zoom 替换为 mask token，推理全 mask，弥合 train-serve 分布差异；在实时交互特征不可用的排序场景可复用。
- 冻结效用模型支持 leave-one-out counterfactual 归因，无需媒体级标签即可评估每个媒体贡献，用于内容审计、低价值替换和类目级媒体策略。