Sep, 2019

基于负面反馈的对话式产品搜索

PDF
TL;DR本研究提出了一种基于非相关项驱动的产品搜索对话范式，该范式旨在收集和利用细粒度反馈，以在下一次迭代中显示更好的结果。我们提出了一种方面 - 价值可能性模型，用于结合正反馈和负反馈。实验结果表明，我们的模型比基于项级负反馈和不使用反馈的最先进的产品搜索基线显着更好。
intelligent assistantsconversational searchfine-grained feedbackproduct searchaspect-value likelihood model
发现论文，激发创造
  • 使用产品元数据为对话式购物助手提供问题建议

    通过使用大型语言模型（LLMs），我们提出了一个框架，可以自动生成与产品有关的上下文、有用、可回答、流畅且多样化的问题，并建议这些问题给客户作为帮助和提示，从而实现更顺畅、更快速、减少对话开销和摩擦的购物体验。

    May, 2024

  • OpinionConv：带有基于相信的意见的对话式产品搜索

    借助产品评论作为主观意见的丰富来源，我们开发了第一个销售对话的对话 AI OpinionConv，通过多次用户研究验证了生成的意见被认为是真实的，评估者也证实了意见作为决策基础的重要性。

    Aug, 2023

  • 构建对话式搜索的经济模型

    本文基于之前的对话式搜索会话的观察模式，提出了两种经济学模型，即首次反馈和后续反馈，探讨了反馈对初始或后续查询的改进效率以及提供该反馈的相对成本与反馈 / 请求的数量之间的关系，以此为对话式搜索提供了理论框架。

    Jan, 2022

  • 基于方面的客户评论意见提取

    本文研究如何使用数据挖掘、自然语言处理技术和本体论来提取产品方面和用户意见，并使用频繁（标记）集，讨论了提出的框架能够提取评论中所有可能的方面和意见，并通过相似性分组代表性方面，并生成输出摘要。该框架与现有基线模型相比，得到了有希望的结果。

    Apr, 2014

  • 基于对话的交互式图像检索

    介绍了一种新的交互式图像检索方法，该方法允许用户通过自然语言提供反馈，形成了一个基于强化学习的对话系统，用于提高目标图像的排名，该方法在鞋类检索应用中表现出更好的准确性和更有效的检索结果。

    May, 2018

  • 从负面用户反馈学习和衡量顺序推荐器的响应性

    我们将负面用户反馈引入了序列推荐器的训练目标中，在检索阶段使用一种 “不推荐” 的损失函数来优化不推荐带有负面反馈的项目的对数似然。我们通过在大规模工业推荐系统上进行实时实验来证明了这种方法的有效性。此外，我们通过开发一个对照模拟框架来衡量推荐器对负面反馈的响应能力，展示了建模变化带来的响应能力改进。

    Aug, 2023

  • 评分的五十种变化：如何在 Top-N 推荐任务中受益于负反馈

    提出了一种使用三阶张量分解技术进行在线协同过滤的方法，该方法可通过处理用户反馈作为分类变量建模，并对评价指标进行调整，消除负面反馈的影响，从而提供优质推荐，实现一开始即可个性化推荐。与标准的协同过滤不同，该方法同样精确预测相关物品，即使仅获得负面反馈。同时，在无正反馈情况下，该方法的性能显著优于其他方法，达到了最先进的质量水平。

    Jul, 2016

  • 信息检索对话中的用户意图预测

    研究了信息检索中用户意图识别的两个方面，提取基于内容，结构和情感特征的特征，利用经典机器学习方法执行用户意图预测，使用特征重要性分析确定了结构特征对预测的贡献最大，并构建了神经分类器以提高性能。

    Jan, 2019

  • 面向会话推荐的个性化系统

    创建个性化辅助，将个性化推荐系统和对话系统的优势相结合，并通过即时对话获取用户个人偏好，帮助用户更快、更准确地找到满意的物品，比传统的非自适应版本的系统交互次数更少，时间更短。

    Jun, 2011

  • 点击反馈检索

    本研究旨在通过用户点击喜欢和不喜欢的搜索结果提供反馈，以指导搜索过程，构建了新的基于时尚领域大规模数据集的点击反馈检索基准，证明了将点击反馈纳入训练可以显著提高检索质量。

    Apr, 2023