面向生成式上下文感知查询建议的层次递归编码器-解码器
神经与进化计算
2015-07-09 v1 信息检索
摘要
用户可能努力为其信息需求构造恰当的文本查询。搜索引擎通过呈现查询建议来辅助用户。为保持原始搜索意图，建议应具备上下文感知能力，并考虑用户先前发出的查询。由于数据稀疏性，实现上下文感知颇具挑战。我们提出一个概率建议模型，能够处理任意长度的先前查询序列。我们新颖的层次递归编码器-解码器架构使模型对上下文中查询的顺序敏感，同时避免了数据稀疏性问题。此外，我们的模型能够为稀有或长尾查询提供建议。生成的建议是合成的，并采用计算成本低廉的解码技术逐词采样。这与当前依赖机器学习流水线和手工设计特征集的合成建议模型形成对比。结果表明，在下一查询预测设定中，该模型优于现有的上下文感知方法。除查询建议外，我们的模型具有足够的通用性，可用于多种其他应用。
引用
@article{arxiv.1507.02221,
title = {A Hierarchical Recurrent Encoder-Decoder For Generative Context-Aware Query Suggestion},
author = {Alessandro Sordoni and Yoshua Bengio and Hossein Vahabi and Christina Lioma and Jakob G. Simonsen and Jian-Yun Nie},
journal= {arXiv preprint arXiv:1507.02221},
year = {2015}
}
备注
To appear in Conference of Information Knowledge and Management (CIKM) 2015