学习提问:基于问题的序列贝叶斯产品搜索
语音助手在电子设备中广泛使用,但如何让语音助手主动向用户提供建议尚未得到充分关注。本文针对电子商务领域中的购物产品问题进行了研究,通过识别用户的购物需求,语音助手能够提供产品或交易建议,提升购物体验。通过使用用户的购物历史数据,我们提出了一种基于 Mixture-of-Experts (MoE) 模型的新型特征,能够准确识别购物产品问题,取得了较高的 F1 得分。在实际用户中进行在线评估,我们能够实时识别购物产品问题并向用户推荐购物动作,提高用户加入购物清单的比率。
Apr, 2024
本论文提出了一种 Query-bag 基于伪相关反馈的框架(QB-PRF),通过构建与查询相关的查询包作为伪信号来指导信息检索对话,采用对比学习训练无监督方式中的同义查询选择模块(QBS),通过多维注意力计算融合同义查询的查询包融合模块(QBF),验证其在两个预训练骨干模型(BERT 和 GPT-2)上的优越性能。实验结果表明,QB-PRF 框架在两个基准数据集上的表现比强基线模型更好。
Mar, 2024
本文探讨了电子商务平台中产品检索服务的质量问题。针对嵌入式检索系统中存在的问题,提出了一种新的多粒度深层语义产品检索模型。改进的算法通过平滑噪声数据和生成硬负样本来提高相关性,并在淘宝搜索上进行了线下和在线实验,证明了其有效性,并成功应用于现有的多通道检索系统中。
Jun, 2021
本论文提出了一种新型的预测产品相关问题答案的方法,该方法基于相似问题以及相似产品的答案来进行判断,并使用专家混合模型框架聚合答案来提高预测准确率。经实证结果表明,该模型在某些问题的表现优于强基线,而且我们还出版了两个大规模数据集用于支持我们的方法。
May, 2021
本文提出了一种基于解释性的检索模型,通过建立动态知识图谱,将 “搜索和购买” 行为建模为用户和产品之间的动态关系,并在潜在空间中基于用户和产品之间的关系进行排名,并通过逻辑推理和实体软匹配在知识图谱中生成解释信息,实验结果表明其优于现有的基线模型,同时能够合理地解释搜索结果。
Sep, 2019
本文提出了一种基于检索的系统和相关数据集,用于预测用户可能有的下一个问题,可以主动地帮助用户进行知识探索,引导用户进行更有意义的对话。该检索系统是在一个包含 14000 多组信息获取对话的数据集上进行训练的,该数据集包含一个有效的后继问题和一组无效候选问题。我们在 Follow-up Query Bank 数据集上训练了排名模型,并比较了监督和无监督方法的结果。结果表明,我们可以通过将有效后继问题排在更高的位置上进行检索,但进一步的知识构建可以提高排名性能。
Feb, 2023
通过使用词袋和基于神经网络的文档组合方法(Doc2Vec),本研究提出了产品、包装和健康三个标准的在线食品杂货推荐系统,通过使用这两种文档表示方法,在产品特性(成分、包装、营养表,过敏原等)等方面提供最佳的推荐,调查结果显示基于神经网络的 Doc2Vec 方法的表现更好且完全改变了结果。
Dec, 2023
介绍了在电子商务场景中对产品需求进行澄清的任务,使用任务导向的代理人通过提问澄清问题来实现更准确、个性化的产品搜索,提出了具备战略澄清问题生成和动态产品检索能力的会话式信息获取代理人 ProductAgent,并通过 PROCLARE 基准进行了性能评估实验,结果表明 ProductAgent 与用户积极互动,增强了检索性能且随着对话轮数的增加,用户需求变得逐渐更明确和详细。
Jul, 2024
本文针对电商平台商品的推荐问题,提出一种基于用户内容和单品属性生成推荐理由的多源后置 transformer 模型,实验表明该模型优于传统模型,能更好地关注用户关注的方面。
Feb, 2021