利用用户行为历史实现个性化邮件搜索

一个高效的邮件搜索引擎可以便利用户的搜索任务并提高其沟通效率。用户对于邮件的各种排序信号（如相关性和时效性）可能具有不同的偏好，这取决于他们手头的任务甚至其工作性质。因此，统一的匹配模式并非对所有用户都是最优的。相反，一个有效的邮件排序器应通过考虑用户特征来进行个性化排序。现有研究已从多个角度探索用户特征以使邮件搜索结果个性化。然而，利用用户搜索历史来刻画用户特征的研究很少。尽管用户历史行为已被证明在Web搜索中作为上下文是有益的，但其在邮件搜索中的效果尚未被研究且仍属未知。基于这些观察，我们提出利用用户搜索历史作为查询上下文来刻画用户，并构建一个用于邮件搜索的上下文感知排序模型。与先前基于原始文本的上下文相关排序技术不同，我们使用搜索历史中的排序特征。这使我们免于潜在的隐私泄露，同时赋予模型对未见用户更好的泛化能力。相应地，我们提出一个上下文相关神经排序模型（CNRM），该模型将用户搜索历史中的排序特征编码为查询上下文，并表明其能显著优于不使用上下文的基线神经模型。我们还通过将CNRM获得的查询上下文向量进行聚类并融入聚类信息，研究了这些向量对最先进的学习排序模型LambdaMart的增益。实验结果表明，LambdaMart上也能取得显著更好的结果，说明查询聚类能够刻画不同用户并有效实现排序模型的个性化。