面向赞助搜索查询重写的统一生成式与稠密检索
计算与语言
2023-06-06 v2 信息检索
摘要
赞助搜索是搜索引擎的关键收入来源，广告主对关键词出价以定向用户或感兴趣的搜索查询。然而，由于庞大且动态的关键词空间、模糊的用户/广告主意图以及多样的可能主题与语言，为给定查询寻找相关关键词颇具挑战。本工作中，我们对在线查询重写的两种范式进行全面比较：生成式（NLG）与稠密检索（DR）方法。我们观察到两种方法提供互补且可叠加的收益。结果表明，两种方法检索到的高质量关键词中约40%为独有，不被另一种方法检索到。为利用两者优势，我们提出CLOVER-Unity，一种将生成式与稠密检索方法统一于单一模型中的新方法。通过离线实验，我们表明CLOVER-Unity的NLG与DR组件在公开与内部基准上持续优于单独训练的NLG与DR模型。此外，我们表明CLOVER-Unity相比分离的DR与NLG两模型集成取得高9.8%的优良关键词密度，同时将计算成本降低近半。我们在Microsoft Bing于140余个国家开展广泛在线A/B实验，实现改进的用户参与，总点击平均增0.89%、收入增1.27%。我们也分享了在生产中部署此类统一模型的实践经验与优化技巧。
引用
@article{arxiv.2209.05861,
title = {Unified Generative & Dense Retrieval for Query Rewriting in Sponsored Search},
author = {Akash Kumar Mohankumar and Bhargav Dodla and Gururaj K and Amit Singh},
journal= {arXiv preprint arXiv:2209.05861},
year = {2023}
}
备注
7 pages, 4 figures and 6 tables