从查询重构中学习最优信息卡排序
信息检索
2016-06-23 v1
摘要
近期研究表明，移动搜索是不断增长的搜索市场的主要贡献者。移动搜索与桌面搜索的关键区别在于，信息展示受限于移动设备的屏幕空间。因此，主要搜索引擎采用了一种新型搜索结果展示方式，称为信息卡，其中每张卡片针对给定查询展示来自一个领域/垂直领域的汇总结果，以补充标准的蓝色链接搜索结果。虽然人们普遍认为信息卡特别适合移动用户体验，但优化此类结果集也具有挑战性。通常，像查询重构这样的用户参与度指标基于每个查询的卡片完整排序列表，而大多数传统的排序学习算法需要逐项相关性标签。在本文中，我们研究了将查询重构解释为查询-卡片对的有效相关性标签的可能性。我们继承了传统排序学习的概念，提出了查询重构的逐点、成对和列表式解释。此外，我们提出了一种学习到标签的策略，该策略学习每张卡片相对于查询的贡献，其中此类贡献可用作训练卡片排序模型的标签。我们利用最先进的排序模型，并在来自主要搜索引擎的大规模移动数据上展示了所提机制的有效性，表明从用户参与度派生的标签训练的模型可以显著优于从人工判断标签训练的模型。
引用
@article{arxiv.1606.06816,
title = {Learning Optimal Card Ranking from Query Reformulation},
author = {Liangjie Hong and Yue Shi and Suju Rajan},
journal= {arXiv preprint arXiv:1606.06816},
year = {2016}
}