基于极端多标签排序的会话感知查询自动补全

查询自动补全（QAC）是搜索引擎中的一项基础功能，其任务是为搜索栏中键入的前缀建议合理的补全项。用户会话中的历史查询可为用户意图提供有用上下文，并可用于在符合用户前缀的同时建议更相关的自动补全项。此类会话感知 QAC 可由近期的序列到序列深度学习模型生成；然而，这些生成式方法通常无法满足响应每次用户按键的严格延迟要求。此外，这些生成式方法存在显示无意义查询的风险。本文针对该问题给出一种解决方案：我们采用将会话感知 QAC 建模为极端多标签排序（XMR）问题的新颖方法，其中输入为会话中的前一条查询与用户当前前缀，而输出空间为近期用户输入的数千万条查询集合。我们为此调整了一种流行的 XMR 算法，对其关键步骤提出若干修改。所提修改在公开搜索日志数据集上相较基线 XMR 方法在平均倒数排名（MRR）上取得 3.9 倍的提升。我们能在仍利用会话上下文的同时将推理延迟保持在 10 毫秒以内。与可接受延迟的基线模型相比，我们对至多 3 个字符的短前缀观察到 MRR 提升 33%。此外，在作为 A/B 测试部署于某在线购物商店搜索栏时，我们的模型在建议接受率上相较生产型 QAC 系统取得统计显著的 2.81% 提升。