学习一种基于细粒度评论的Transformer模型用于个性化商品搜索
信息检索
2021-06-07 v3
摘要
商品搜索已成为服务在线购物人群的关键入口。现有多数个性化商品模型遵循在语义空间中表示并匹配用户意图与商品的范式，其中完全舍弃了更细粒度的匹配，且商品排序除用户/商品级相似度外无法进一步解释。此外，尽管现有研究中的一些模型已基于搜索上下文创建了动态用户表示，其商品表示在所有搜索会话中却是静态的。这使得关于商品的每一条信息在与不同用户意图匹配时对于表征该商品总是同等重要。鉴于上述局限，我们提出一种基于评论的Transformer模型（RTM）用于个性化商品搜索，其以Transformer架构对查询、用户评论和商品评论的序列进行编码。RTM在用户与商品之间开展评论级匹配，其中每条评论根据序列中的上下文具有动态影响。这使得识别有用评论以解释打分成为可能。实验结果表明，RTM显著优于最先进的个性化商品搜索基线。
引用
@article{arxiv.2004.09424,
title = {Learning a Fine-Grained Review-based Transformer Model for Personalized Product Search},
author = {Keping Bi and Qingyao Ai and W. Bruce Croft},
journal= {arXiv preprint arXiv:2004.09424},
year = {2021}
}
备注
To appear in SIGIR'2021