电子商务中宽查询与窄查询的学习排序
信息检索
2019-07-16 v2 计算与语言
机器学习
机器学习
摘要
搜索是电子商务平台上发现产品的重要渠道。对搜索检索出的产品进行排序，对于满足客户需求和优化业务指标至关重要。尽管学习排序（LETOR）模型已在网页搜索中得到广泛研究并展现出成效，但在电子商务中它仍是一个相对较新的待探索研究领域。本文提出一个为电子商务平台构建 LETOR 模型的框架。我们分析用户查询，并提出一种基于用户意图将查询划分为宽查询与窄查询的机制。我们讨论了不同类型的特征——查询、产品以及查询-产品特征，并探讨使用它们时的挑战。我们表明产品特征中的稀疏性可通过去噪自编码器处理，而基于 skip-gram 的词嵌入有助于解决查询-产品稀疏性问题。我们还提出了可用于评估搜索结果的多种目标指标，并比较其鲁棒性。此外，我们在时尚品类数据集上构建并比较了逐点与点对 LETOR 模型的性能。我们还针对宽查询与窄查询分别构建并比较了不同模型，分析了这些模型间的特征重要性，并表明在时尚领域中这些专用模型优于组合模型。
引用
@article{arxiv.1907.01549,
title = {Learning to Rank Broad and Narrow Queries in E-Commerce},
author = {Siddhartha Devapujula and Sagar Arora and Sumit Borar},
journal= {arXiv preprint arXiv:1907.01549},
year = {2019}
}
备注
7+1 pages