Aug, 2021

基于对比学习的用户行为序列的上下文感知文档排名

PDF
TL;DR本文介绍一种基于对比学习的用户搜索行为序列生成方法，包括三种数据增强策略，通过将用户行为序列与其他序列进行对比，生成更鲁棒的表示，在文档排名中应用，取得了比现有方法显著更好的效果，展现了该方法在上下文感知文档排名方面的有效性
user behavior sequencescontrastive learningdata augmentationdocument rankingcontext-aware
发现论文，激发创造
  • 序列推荐的对比学习

    提出了一种用于顺序推荐的对比学习多任务模型 CL4SRec，在传统的下一个项目预测任务的基础上，从原始用户行为序列中提取更有意义的用户模式，并进一步有效地编码用户表示，通过构建自我监督信号和数据增强等手段，来解决数据稀疏性和参数优化问题，并在四个公共数据集上实现了业界领先的性能。

    Oct, 2020

  • 从简单到困难：面向上下文的文档排名的双重课程学习框架

    该研究提出一种基于课程学习框架的上下文感知文档排名方法，通过逐步调整模型，帮助模型逐渐接近全局最优解，并在两个实际查询日志数据集上取得显著的性能提升，证明了课程学习对于上下文感知的文档排名的有效性。

    Aug, 2022

  • 文本摘要的序列级对比学习

    本文提出了一种对比学习模型，用于文本摘要的有监督抽象，通过将文档、其黄金摘要和模型生成的摘要视为同一平均表示的不同视图，并在训练过程中最大化它们之间的相似性，从而改进了强序列到序列的文本生成模型（即 BART）。人类评估也显示，我们的模型与没有对比目标的对应模型相比，实现了更好的忠实度评分。

    Sep, 2021

  • CauseRec: 序列推荐的反事实用户序列合成

    通过模拟反事实数据分布，提出了一种称为 CauseRec 的框架，其可以学习准确和稳健的用户表示，从而避免用户交互记录中的噪声和稀疏性导致的不稳定系统。

    Sep, 2021

  • 上下文关注的文档排名和查询建议

    本文提出了一种上下文感知的神经排序模型，通过引入两级分层循环神经网络对查询、搜索任务进行搜索上下文表示的学习，并结合文档排序和查询建议两个伴随的检索任务来提高检索性能，并在循环状态的两个级别上引入注意力机制来识别搜索上下文和用户正在进行的搜索活动之间的可变依赖结构。通过丰富的实验比较以及深入的消融分析，证实我们所提出的方法对于建模搜索任务中隐藏的搜索上下文具有价值。

    Jun, 2019

  • 基于多意图解耦的序列推荐对比学习方法

    我们提出了一种基于多意图解缠的对比学习序列推荐方法（MIDCL），通过识别动态多样的意图，针对用户行为进行推荐，实现了超越大多数现有基准方法的性能，并为基于意图的预测和推荐研究带来了更可解释的案例。

    Apr, 2024

  • 序列推荐的意图对比学习

    介绍 Intent Contrastive Learning（ICL）的方法，该方法是一个通用的学习范式，将潜在的用户意图变量纳入 SR 模型，通过自监督学习（SSL）来优化模型并改善模型的鲁棒性。在四个真实数据集上的实验表明，该学习范式的性能超越了传统方法，同时提高了模型的稳健性。

    Feb, 2022

  • 学习排序链：从隐式反馈中进行排序

    本文提出一种新方法，利用点击行为数据学习网页搜索结果的排序检索函数，通过查询链生成新类型的偏好判断，并实现了一个实际的搜索引擎进行测试，实验结果表明与传统排序函数和不考虑查询链情况下的排序函数相比，该方法在搜索引擎排序上有显著的改进。

    May, 2006

  • 面向基于会话的查询建议的学习注意力、复制和生成

    本文提出了一种基于会话的查询建议定制序列到序列模型，利用查询感知的注意机制掌握会话上下文的结构，使用复制机制赋予模型解码器存取源单词的能力，实现对于大部分之前提交查询的保留，提出了模型评估的方法以验证其性能，实验证明该模型在查询建议任务中的生成查询和评分候选查询上的优异表现。

    Aug, 2017

  • SimCURL: 从指令序列中学习简单对比用户表示

    SimCURL 是一种简单而有效的对比自我监督深度学习框架，用于从未标记的命令序列中学习用户表示。我们将其应用于半十亿命令的真实世界数据集上，相较于现有方法，在经验和专业分类等下游任务中显著提升。

    Jul, 2022