使用嵌入实现搜索个性化
本文介绍了使用 Word Embedding(word2vec)在个性化信息检索上进行查询扩展的初步工作,通过对用户档案进行学习,实现了个性化的词嵌入学习以获取和用户兴趣相同的上下文,该方案在 CLEF Social Book Search 2016 集合上评估,结果表明在个性化信息检索上应对 Word Embedding 应用进行一些努力。
Jun, 2016
本文提出了一种能够同时解决语义差异问题和根据用户历史交互提供个性化语义搜索结果的新方法,将图嵌入、transformer 模型和基于术语的嵌入统一到一个嵌入模型中,同时分享了特征工程、硬负采样策略以及 transformer 模型应用方面的技巧。此个性化检索模型增强了用户的搜索体验,并提高了搜索购买率和网站整体转化率。
Jun, 2023
本研究提出一种增量用户嵌入建模方法,通过使用转换编码器将用户的最近交互历史的嵌入动态集成到累积历史向量中,从而实现个性化用户表示的学习,并成功将其应用于 Reddit 数据集的个性化多类分类任务中,并在评论历史编码和任务建模方面相应地实现 9% 和 30% 的相对提升。
Feb, 2022
在个性化推荐系统中,使用嵌入来编码客户行为和物品,并通过近似最近邻搜索在嵌入空间中执行检索。然而,这种方法可能会面临两个挑战:用户嵌入可能限制了所捕捉的兴趣的多样性,而且需要保持它们的实时更新需要代价高昂的基础设施。在本文中,我们提出了一种在实际工业环境中克服这些挑战的方法。该方法动态更新客户配置文件,并每两分钟组合一个推荐列表,使用预计算的嵌入及其相似度。我们在荷兰和比利时最大的电子商务平台之一的 Bol 上测试并部署了这种方法。该方法提升了客户参与和体验,导致转化率显著提高了 4.9%。
Feb, 2024
本文提出了两种新颖的模型来进行关键字建议任务,使用 Word2Vec 和 FastText 的架构,通过利用文档中的关键字共现来生成关键字嵌入向量,并采用特殊的负例抽样方法来利用关键字在学术出版物中的出现方式。此外,还提供了基于排名的评估方法,对所提出的模型进行评估,并在已知项目和自由搜索场景下显示了较大的性能改进。
Jan, 2023
该研究回顾了最近在社交媒体用户的表征学习领域的进展,并提供了从异构用户数据(例如,将社交媒体文本与图像相结合来学习统一用户表征)中学习统一用户嵌入的典型方法,该技术对于创建高性能的基于社交媒体的人类特征和行为模型至关重要。
Jun, 2019
本文提出了 Web 个性化的分类方法,探讨了语义 Web 搜索工具,建立用户兴趣个人资料对于个性化是必要的,在语义 Web 工具中使用本体论因其优势重要,需要指出的是,大多数语义 Web 搜索工具采用代理技术进行实现。
Mar, 2022
本文研究了词嵌入在查询扩展中的应用,结果表明全局训练的 Word2Vec 和 GloVe 等词嵌入不能很好地完成信息检索任务,建议其他使用全局嵌入的任务也可以受益于使用局部嵌入。
May, 2016