基于时间用户画像的内网搜索个性化查询建议

近期研究表明，利用集体用户交互数据（例如查询日志）为内网搜索推荐查询修改建议是有用的。然而，大多数内网搜索的查询建议方法遵循“一刀切”策略，即提交相同查询的不同用户会得到相同的查询建议列表。这是有问题的，因为即使查询相同，不同用户也可能有不同的兴趣主题，并且这些主题可能随着用户与系统的交互而随时间变化。我们通过提出一个面向内网搜索的个性化查询建议框架来解决此问题。对于每个搜索会话，我们构建两个时间用户画像：一个基于用户点击文档的点击用户画像，和一个基于用户提交查询的查询用户画像。然后，我们使用这两个画像对一种最先进的内网搜索查询建议方法返回的非个性化查询建议列表进行重排序。在大规模查询日志集合上的实验结果表明，我们的个性化框架显著提高了建议查询的质量。