ACLApr, 2018

针对真实世界的查询自动完成的个性化神经语言模型

PDF
TL;DR本研究提出了基于神经语言建模的深度学习方法，以改善基于流行度的方法无法预测未见过的查询的主要限制，并通过集成用户信息实现个性化建议，使用时间信息并研究如何增加建议的多样性，从而在准确性和可扩展性方面显著改善前人最佳方法，迈向生产搜索引擎中的神经查询自动完成。
query auto completiondeep learningneural language modelingpersonalized suggestionsscalability
发现论文，激发创造
  • 高效的神经网络查询自动完成

    本文提出了一种高效的神经网络查询自动完成系统，利用有效的上下文建模和非标准化语言模型，在生成候选项和排名候选项时实现较好的性能，可用于改进用户搜索体验。

    Aug, 2020

  • 查询自动完成个性化语言模型

    通过使用适应性语言模型生成个性化的查询完成并使用在线更新来进行预测，相比没有用户信息的基准线，个性化预测效果显著提升。

    Apr, 2018

  • 轻量级用户上下文表示实现个性化查询自动完成

    本文提出了一种个性化查询自动完成的新方法，使用了通过 fastText 学习的轻量级嵌入，根据距离度量候选查询和用户上下文查询之间的关系，将这些特征与其他常用的查询自动完成排序特征相结合，将我们的方法应用于 eBay 等大型电子商务搜索引擎，结果表明我们提出的方法显著优于现有的基线和文本个性化方法。

    May, 2019

  • 基于季节性的电子商务自动补全的自然语言查询再排序

    提出了一种基于神经网络的自动补全排名模型的自然语言处理算法，将季节性作为信号加入到自动补全排名模型中，以提高补全的相关性和业务指标。

    Aug, 2023

  • 电子商务中个性化查询自动完成的搜索意图网络

    现代搜索引擎的重要组成部分之一是查询自动补全（QAC），它在补充用户查询和帮助用户准确定义搜索意图方面起着关键作用。现实场景中的 QAC 系统面临两个主要挑战：意图不明确（IE）和意图转移（IT），前者使当前意图模糊不清且难以建模，后者忽略了搜索意图的转移。

    Mar, 2024

  • 使用极端多标签排序进行具有会话意识的查询自动完成

    本文提出一种基于 XMR 算法的查询自动完成（QAC）解决方案，可在保持推荐准确性的同时，使用基于会话的上下文，实现低于 10 毫秒的推荐响应速度，有效提高短前缀的 MRR 和建议接受率。

    Dec, 2020

  • Trie-NLG：用于改进个性化查询自动完成的 Trie 上下文增强技术，适用于短且未见过的前缀

    提出了一种新颖的 QAC NLG 模型 Trie-NLG，它能够联合利用 trie 的受欢迎程度和之前会话查询的个性化信号，从而克服了 trie 和 NLG 方法的局限性并实现领先的性能。

    Jul, 2023

  • 计算机辅助翻译中单词级自动补全的重新思考

    通过研究不同的自动补全模型架构，本文提出了一种新的可衡量的标准，并发现现有的单词级自动补全模型往往无法满足此标准。基于此观察，我们提出了一种有效的方法来提高 WLAC 性能，同时利用较小的模型尺寸。

    Oct, 2023

  • 查询自动完成的子词语言模型

    本文提出使用子词语言模型实现查询建议的快速准确生成，并介绍了一种重迹迹算法和近似边缘化的重排序方法来解决子词语言模型引入的问题。通过使用新的评估指标均可恢复长度（MRL），我们的模型可在保持生成结果质量相似的情况下实现最多 2.5 倍的速度提升，并进行了全面细致的分析。

    Sep, 2019

  • 专家个性化实时预测写作的集成方法

    本研究论文提出了一个基于大规模语言模型、传统马尔可夫模型和字符级模型的端到端系统，以在严格的延迟限制下为 Intuit 金融专家提供个性化的句子 / 单词自动完成建议，旨在在一天内高效准确地书写复杂金融概念。该系统不仅高效和个性化，而且稳健，可以在几乎实时提供相关的自动完成功能，有效节省专家记录时间并提升与团队和客户的交流。同时，并进行了比较研究，此功能可在短时间内与任何具有书写功能的产品集成。

    Aug, 2023