电子商务搜索中的分层查询分类

电子商务平台通常以层次结构存储和组织产品信息及搜索数据。将用户搜索查询高效地分类到类似的层次结构中，对于提升电子商务平台的用户体验以及新闻策划和学术研究至关重要。在处理敏感查询分类或关键信息传播时，此项任务的重要性更加凸显，因为不准确可能导致相当大的负面影响。分层查询分类的固有复杂性因两个主要挑战而加剧：(1) 偏向主导类别的显著类别不平衡，以及 (2) 搜索查询固有的简短性和模糊性阻碍了准确分类。为应对这些挑战，我们引入了一种新颖框架，通过 (i) 利用对比损失来辨别层次结构内细粒度实例关系的增强表示学习（称为“实例层次”），以及 (ii) 关注固有标签分类体系的细微分层分类损失（称为“标签层次”），从而利用层次信息。此外，基于我们观察到某些未标记查询与已标记查询具有排版相似性，我们提出了一种邻域感知采样技术，以智能地选择这些未标记查询来提升分类性能。大量实验表明，我们提出的方法在专有 Amazon 数据集上优于最先进 (SOTA) 方法，并在 Web of Science 和 RCV1-V2 公共数据集上与 SOTA 相当。这些结果强调了我们所提出解决方案的有效性，并为下一代感知层次的查询分类系统铺平了道路。