考虑一个搜索系统，在该系统中，用户提交查询"query"，并根据某种排名算法检索产品。假设这些产品是根据它们的质量订购的，使得p_0、p_1、…、p_10等等
我想生成模仿这种排名算法的向量嵌入。理想情况下，与查询向量最接近的乘积向量应该是p_0，下一个应该是p_1，依此类推
我试图通过将出现在同一搜索会话中的产品作为句子来构建产品的word2vec嵌入。然后，我计算了乘积向量的加权平均值，以找到查询向量，使查询向量更接近顶部结果。尽管最接近的结果通常是给定查询的最佳结果，但后续结果中包含一些永远不会显示为顶部结果的结果。
有没有一个技巧可以让word2vec学习排名算法或我可以尝试的任何其他技术？我研究了具有非度量距离的多维矢量缩放，但对于超过100K的产品来说，它似乎是不可缩放的。
没有一个技巧——只是迭代地改进您的表示，&训练集，&排名方法，以更好地实现您的目标。
基于Word2vec的表示通常会有所帮助，但仍然相当简单&以单个单词为中心，其意义可能会因上下文而异；以代币的简单加权平均数无法捕获的方式定位。
您可能希望用不仅仅是一串单词标记来表示"产品"，还包括其他属性。这些可以是标量值，如价格或各种其他类型的评级/属性，或额外的合成标签，如其他显著分组的结果(无论是手工编辑还是学习(。
即使只是使用自然语言的产品描述——比如产品名称、描述或评论——也有其他更复杂的文本表示可以训练或使用——比如使用比普通单词2vec更深的网络的句子/文档嵌入。
一般来说，如果你有一堆候选结果的量化表示和一个查询，并且想使用一些"；"好"；结果来引导更通用的规则来获得最高结果；学习排名；过程：
https://en.wikipedia.org/wiki/Learning_to_rank
建议更具体的步骤将需要对输入/输出/目标进行更具体的描述；尝试了什么，尝试了什么却失败了。
例如，您的查询总是只是文本产品名称吗？在这种情况下，也许简单的关键词搜索是所需的核心技术——像词向量建模这样的东西只是处理一些棘手情况的一个调整，比如当结果太少或太多时，扩大结果，或增加排名的对比度。
或者，你能检测到建模中的关键差距吗；结果包括一些[理想情况下]永远不会作为顶级结果出现的结果"；？如果某些事情，如罕见的(建模不好的(单词，或模型中尚未捕捉到的重要品质，似乎是此类情况的罪魁祸首，那么这将指导潜在的一系列纠正性更改。