学习提出关键问题以辅助商品搜索

商品搜索在电子商务中扮演着至关重要的角色，被视为一种特殊类型的信息检索问题。大多数现有工作利用历史数据来提升搜索性能，却未抓住直接询问用户当前兴趣的机会。一些会话感知方法将会话内的用户点击作为隐式反馈，但这仍然只是对用户偏好的猜测。为解决这一问题，最近的对话式或基于问题的搜索模型直接与用户交互以显式理解用户兴趣。然而，大多数用户在初始阶段并不清楚要买什么。在用户浏览一段时间后，询问其寻找的关键属性应是帮助他们搜索目标商品更高效的方式。在本文中，我们提出了一种双学习模型，融合了隐式会话反馈的最佳部分与主动向用户澄清最关键问题的机制。我们首先建立了一个新颖的效用分数，以衡量被点击的商品是否为找到目标提供了有用信息。随后，我们开发了双选择网络（Selection Net）和排序网络（Ranking Net），用于选择关键问题并对商品进行排序。该模型创新地将传统的点击流数据与基于文本的问题联系起来。为验证我们的提案，我们在一个公共数据集上进行了大量实验，结果表明我们的模型大幅优于其他最先进方法。