GARCIA：以多粒度对比学习增强长尾查询表示
机器学习
2023-04-26 v1 信息检索
摘要
近来，服务平台的增长为用户与商家带来极大便利，其中服务搜索引擎通过文本查询快速获取理想结果，在改善用户体验方面发挥着至关重要的作用。遗憾的是，用户不可控的搜索习惯通常带来大量长尾查询，严重威胁搜索模型的能力。受近期兴起的图神经网络(GNNs)与对比学习(CL)启发，已有若干工作致力于缓解长尾问题并取得可观性能。然而，它们仍面临一些主要弱点。最重要的是，它们未显式利用头部与尾部间的上下文结构以进行有效知识迁移，且意图级信息常因追求更泛化表示而被忽略。为此，我们开发了新框架GARCIA，它在对比学习设定下利用基于图的知识迁移与基于意图的表示泛化。特别地，我们采用自适应编码器为查询与服务生成信息丰富的表示，以及意图的层次结构感知表示。为充分理解尾部查询与服务，我们为GARCIA配备新颖的多粒度对比学习模块，通过知识迁移、结构增强与意图泛化来增强表示。随后，完整的GARCIA以预训练&微调方式良好训练。最后，我们在离线与在线环境下进行了大量实验，证明了GARCIA在服务搜索场景中改善尾部查询与整体性能的优越能力。
引用
@article{arxiv.2304.12537,
title = {GARCIA: Powering Representations of Long-tail Query with Multi-granularity Contrastive Learning},
author = {Weifan Wang and Binbin Hu and Zhicheng Peng and Mingjie Zhong and Zhiqiang Zhang and Zhongyi Liu and Guannan Zhang and Jun Zhou},
journal= {arXiv preprint arXiv:2304.12537},
year = {2023}
}
备注
Accepted by ICDE 2023