基于季节性的电子商务自动补全的自然语言查询再排序
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
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