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。

Apr, 2018

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

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

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

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

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

该论文采用层级结构、会话级神经网络和用户级神经网络相结合的 AHNQS 模型来建模用户的短期和长期搜索历史，利用注意力机制来捕捉用户偏好，该模型在 AOL 查询日志数据集上取得了比基于 RNN 的查询建议基线更高的 MRR@10 和 Recall@10，短会话特别大的改进。

May, 2018

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

通过提取自然语言的关键字，我们提出了一种无监督的文本自动完成方法，以权衡任务的效率、准确性和人类可读性，并呈现出在给定效率水平下比其他基线更准确的自动完成系统。

Nov, 2019

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