基于预训练语言模型的网页搜索排序：从相关性到满意度
信息检索
2023-06-05 v1
摘要
搜索引擎在满足用户多样化信息需求方面起着关键作用。近年来，基于预训练语言模型（PLM）的文本排序模型在网页搜索中取得了巨大成功。然而，许多最先进的文本排序方法仅关注核心相关性，而忽略了其他贡献于用户满意度的维度，例如文档质量、时效性、权威性等。本文中，我们关注网页搜索中用户满意度的排序而非相关性，并提出一种基于 PLM 的框架，即 SAT-Ranker，其以统一方式全面建模用户满意度的不同维度。特别地，我们利用 PLM 对文本与数值输入的处理能力，并应用将用户满意度各维度模块化为一个输入字段的多字段输入。总体而言，SAT-Ranker 是一个有效、可扩展且以数据为中心的框架，具有巨大的工业应用潜力。在严格的离线与在线实验中，SAT-Ranker 在针对用户满意度不同维度的多个评估集上均取得显著增益。它现已全面在线部署以提升我们搜索引擎的可用性。
引用
@article{arxiv.2306.01599,
title = {Pretrained Language Model based Web Search Ranking: From Relevance to Satisfaction},
author = {Canjia Li and Xiaoyang Wang and Dongdong Li and Yiding Liu and Yu Lu and Shuaiqiang Wang and Zhicong Cheng and Simiu Gu and Dawei Yin},
journal= {arXiv preprint arXiv:2306.01599},
year = {2023}
}