KDDJun, 2024

面向在线电子商务和基于 LLM 的检索的鲁棒性基于交互关联建模

PDF
TL;DR在电子商务搜索引擎中，语义相关性计算对于确保所选项目与客户意图紧密对齐至关重要。本文介绍了一种基于交互的建模范式，通过动态长度表示方案、专业术语识别方法和对抗性训练协议来增强模型的鲁棒性和匹配能力。离线评估表明我们方法的卓越鲁棒性和效果，在线 A/B 测试证实了在相同曝光位置提高相关性、增加点击和转化的能力。据我们所知，这是第一个用于大型电子商务搜索相关性计算的基于交互的方法。
semantic relevancee-commerce search enginesneural networksinteraction-based architecturesrobustness
发现论文，激发创造
  • 基于实体的理性化、可干预和快速相关性模型，提高电商搜索文本匹配

    该研究旨在提高电子商务搜索系统的相关性预测性能，并提出了一种名为基于实体的相关模型（EBRM）的新模型，将 QI 问题分解为多个 QE 相关问题并聚合其结果形成 QI 预测。

    Jul, 2023

  • 超越语义：学习行为增强的相关性模型与自监督学习

    我们提出了一种 Behavior Augmented Relevance Learning 模型，通过利用邻居查询和邻居项来补充目标查询 - 项语义匹配，从而改进了 Alipay Search 的准确性和鲁棒性。实验结果显示我们的提案在低延迟下取得了有希望的性能。

    Aug, 2023

  • 产品搜索的相关判断大型语言模型

    基于 Large Language Models (LLMs) 的技术，通过自动化查询 - 商品对的相关性判断，改善产品搜索的相关性预测精度，对商品搜索的相关判断自动化领域具有重要影响。

    Jun, 2024

  • 通过搜索引擎和大型语言模型之间的交互进行知识细化

    本文介绍了信息检索的演进以及大语言模型和搜索引擎的利弊，提出了 InteR 框架，通过交互改进知识的检索，并通过实验验证其优越性。

    May, 2023

  • 通过混合结构化摘要和基于 LLM 的数据增强改进主题相关性模型

    社交搜索中查询与文档的主题相关性是一个重要的部分，该研究提出了一种使用大型语言模型的查询重写和生成方法来改善关联建模的性能。

    Apr, 2024

  • 增强文档 - 查询交互的深度相关性排名

    本文基于 Guo 等人 (2016) 的深度相关匹配模型 (DRMM)，探讨了几种新的文件相关性排序模型。加入上下文有关的编码，包括多视图的查询和文档输入，测试证明新模型优于 BM25，DRMM 和 PACRR。

    Sep, 2018

  • 突破壁垒：通过推理知识图谱利用大型语言模型用于工业推荐系统

    LLM-KERec 利用大型语言模型捕捉用户意图转变，适应新项目，并提高在不断发展的电子商务领域中的推荐效率，通过整合互补知识解决传统推荐系统的局限性。

    Feb, 2024

  • 针对召回导向的神经信息检索的相关性反馈策略

    通过基于 BERT 的密集向量搜索产生的相关排名，并基于累积求和的查询和选择的嵌入，我们提出了一种更注重召回率的减少审核工作量的方法，该方法可与基线方法相比，以固定的召回目标为基础，减少 17.85% 至 59.04% 的审核工作量。

    Nov, 2023

  • 利用语义和词汇匹配提高文档检索系统召回率：一种混合方法

    本文研究将深度神经网络模型与词汇模型相结合应用于搜索引擎的检索阶段，并在 TREC 数据集上进行了实证研究，结果表明该方法得到了很好的效果，并揭示了语义方法、词汇方法以及二者结合的不同特点。

    Oct, 2020

  • 利用有限样本文档重新排序，加入相关反馈来改进信息检索

    本研究探讨如何将相关性反馈直接集成到神经重排模型中，使用 kNN 方法和交叉编码器模型，通过在现有信息检索数据集上的实验，证明了这种方法能够大幅提高神经重排模型的性能。

    Oct, 2022