基于用户上下文轻量表示的个性化查询自动补全
信息检索
2019-05-07 v1 人工智能
计算与语言
机器学习
摘要
查询自动补全（QAC）是包括网络和电商搜索在内的许多领域中广泛使用的功能，它基于用户键入的前缀建议完整查询。近年来文献中对 QAC 进行了广泛研究，并且一致表明加入个性化特征可显著提升 QAC 的性能。在本工作中，我们提出一种利用通过 fastText 学习的轻量嵌入进行个性化 QAC 的新方法。我们为用户的上下文查询（即用户最近发出的若干查询）构建嵌入，并使用同一模型获取待排序候选查询的嵌入。我们引入在嵌入空间中计算候选查询与上下文查询之间距离的排序特征。随后将这些特征与其他常用 QAC 排序特征结合以学习排序模型。我们将该方法应用于大型电商搜索引擎（eBay），并表明带有我们提出特征的排序器在所有测量的离线指标上显著优于基线，这些指标包括平均倒数排名（MRR）、成功率（SR）、平均精度均值（MAP）和归一化折损累计增益（NDCG）。我们的基线包括最流行补全（MPC）模型以及不含我们所提特征的排序模型。带有提出特征的排序模型在所有指标上比 MPC 模型提升 20–30%。相对于基线排序模型，我们在所有会话上获得高达 5% 的提升，当限定于包含用户上下文的会话时提升可达约 10%。此外，我们提出特征也显著优于文献中先前研究的基于文本的个性化特征，且在我们的基于嵌入的特征之上再加入基于文本的特征仅带来微小改进。
引用
@article{arxiv.1905.01386,
title = {Personalized Query Auto-Completion Through a Lightweight Representation of the User Context},
author = {Manojkumar Rangasamy Kannadasan and Grigor Aslanyan},
journal= {arXiv preprint arXiv:1905.01386},
year = {2019}
}