A Model for Personalized Keyword Extraction from Web Pages using Segmentation
万维网满足了不同群体中数十亿用户的需求。访问万维网的每一个用户都可能有他/她自己的具体兴趣，并期望万维网对具体要求作出反应。使网络以定制的方式反应的过程是通过个性化来实现的。本文提出了一种新的网页关键词抽取模型，该模型将个性化与网页关键词抽取相结合，通过网页分割来解决网页关键词抽取问题，使问题变得简单有效。该模型被实现为一个原型，并进行了实验，它的经验验证了模型的效率。
2012-04-02 cs.IR
Learning to Rank Personalized Search Results in Professional Networks
LinkedIn（领英）
LinkedIn搜索是高度个性化的-对于相同的查询，不同的搜索者期望完全不同的结果。本文介绍了我们的方法，通过挖掘LinkedIn中的各种数据源来推断搜索者的意图（如招聘，求职等），以及扩展同质性的概念，以捕捉搜索结果在许多方面的相似性。然后，学习排名（LTR）应用这些信号与标准的搜索功能相结合。
2016-05-16 cs.IR cs.LG
TPRM: A Topic-based Personalized Ranking Model for Web Search
Artificial Intelligence Application Research Center, Huawei Technologies（华为技术有限公司人工智能应用研究中心）
排名模型已经取得了可喜的成果，但它仍然具有挑战性的设计个性化的排名系统，利用用户简档和查询和文档之间的语义表示。在本文中，我们提出了一个基于主题的个性化排名模型（TPRM），结合用户的主题配置文件与预先训练的上下文术语表示量身定制的一般文档排序列表。在真实数据集上的实验表明，TPRM的性能明显优于最先进的ad-hoc排名模型和个性化排名模型。
2021-08-13 cs.AI cs.CL cs.IR
Efficient Personalized Web Mining: Utilizing The Most Utilized Data
在网络上寻找信息的增长，这是一个非常繁琐的过程，以获得用户正在寻找的确切信息。许多搜索引擎生成与用户简档相关的数据列表。本文涉及一个这样的过程，其中的评级是给用户点击的链接。而不是避免感兴趣的链接，感兴趣的链接和不感兴趣的链接都列出。但根据特定用户访问次数和在特定链接上花费的时间对每个链接的权重进行排序。
2011-09-09 cs.IR
Effective Personalized Web Mining by Utilizing The Most Utilized Data
在网络上寻找信息的增长，这是一个非常繁琐的过程，以获得用户正在寻找的确切信息。许多搜索引擎生成与用户简档相关的数据列表。本文涉及一个这样的过程，其中的评级是给用户点击的链接。而不是避免感兴趣的链接，感兴趣的链接和不感兴趣的链接都列出。但是根据特定用户访问次数和在特定链接上花费的时间对每个链接的权重进行排序。
2011-09-09 cs.IR
A Personalized Tag-Based Recommendation in Social Web Systems
最近，标记活动已被确定为关于个人兴趣、偏好、目标和从用户模型已知的其他属性的知识的潜在来源。因此，标签本身可以用于找到个性化的项目推荐。在本文中，我们提出了一个基于标签的推荐系统，建议相似的网页的基础上，他们的标签从Web 2.0标签应用程序的相似性。所提出的方法扩展了基本的相似性演算与外部因素，如标签的流行程度，标签的代表性和用户和标签之间的亲和力。为了研究和评估推荐系统，我们进行了一项实验，涉及来自12个国家的38人使用的数据从Del.icio.us，社会书签网络系统，用户可以分享他们的个人书签。
2012-03-01 cs.IR cs.SI
WebAPIRec: Recommending Web APIs to Software Projects via Personalized Ranking
School of Information Systems, Singapore Management University（新加坡管理大学信息系统学院）
应用程序编程接口（API）为开发人员提供了大量的功能，可以重用，而无需重新发明轮子。根据项目需求确定适当的API对于项目的成功至关重要，因为许多功能可以重用以实现更快的开发。然而，大量的API往往会阻碍开发人员快速找到合适的API的能力。在这种情况下，我们提出了一种新的自动化方法，称为WebAPIRec，它将项目配置文件作为输入，并输出可用于实现项目的{web} API的排名列表。在其核心，WebAPIRec采用了个性化的排名模型，对特定于（个性化）项目的Web API进行排名。基于{web} API使用的历史数据，WebAPIRec学习了一个模型，该模型最大限度地减少了web API的错误排序，即，当使用的{web} API的排名低于未使用的（或尚未使用的）web API时。我们已经在一个数据集上评估了我们的方法，该数据集包括来自ProgrammableWeb的9，883个Web API和4，315个Web应用程序项目，结果令人鼓舞。对于84.0%的项目，WebAPIRec能够成功返回正确的API，这些API用于实现前5名的项目。这比ProgrammableWeb的本机搜索功能提供的建议要好得多。WebAPIRec也优于McMillan等人。的应用搜索引擎和基于流行度的推荐。
2017-05-01 cs.AI cs.IR cs.SE
Live-marker: A personalized web page content marking tool
网络上可用的信息资源数量的巨大增长使得用户在单个页面上花费的总时间非常少。用户重新访问同一页面将能够更快地获取所需的信息，如果他们在以前的访问期间消费的信息以特殊的风格呈现给他们。本文提出了一种模型，使用户标记感兴趣的内容，使它可以很容易地识别在连续访问。除了用户的显式标记之外，该模型还有助于基于用户偏好的隐式标记。基于该模型的原型实现验证了模型的有效性。
2012-02-13 cs.IR
A personalized web page content filtering model based on segmentation
鉴于万维网上通过不同来源的大量内容爆炸，拥有内容过滤工具已成为强制性的。在未成年人访问网页的情况下，对网页内容进行过滤更为重要。传统的网页拦截系统采用布尔方法，要么显示整个页面，要么完全阻止它。随着网页中动态性的增加，网页的不同部分在不同时间实例保持不同类型的内容已经成为一种常见现象。本文提出了一种模型，以阻止在细粒度的水平，即，而不是完全阻止的页面，这将是有效的，只阻止那些段持有的内容被阻止。与传统方法相比，该方法的优点是分块的粒度更细，并且可以自动识别要分块的页面部分。在该模型上进行的实验表明，在过滤出的片段的准确率为88%。
2012-02-09 cs.IR
A NoSQL Data-based Personalized Recommendation System for C2C e-Commerce
HCMC University of Technology, Vietnam National University, Ho Chi Minh City（胡志明市国家大学胡志明市理工大学）；FAW Institute, Johannes Kepler University Linz（林茨约翰内斯·开普勒大学FAW研究所）
随着近年来C2C电子商业的迅猛发展，人们迫切需要一个有效的推荐系统，为用户推荐合适的网站，以满足他们的特定需求。尽管如此，电子商业推荐系统主要是为企业对客户（B2C）网站设计的，其中系统为消费者提供他们可能想购买的产品。几乎没有相关的研究工作集中在选择销售网站的目标项目。在本文中，我们介绍了一种方法，推荐销售网站的基础上，项目的描述，类别和期望的销售价格。该方法采用基于NoSQL数据的机器学习技术来构建和训练主题模型和分类模型。然后，训练的模型可以用于根据用户需求动态地对网站进行排名。越南C2C网站的真实数据集的实验结果将证明我们所提出的方法的有效性。
2018-06-26 cs.DB cs.IR cs.LG
Search Intenion Network for Personalized Query Auto-Completion in E-Commerce
Alibaba Group（阿里巴巴集团）
针对电商场景下查询自动补全存在的意图模糊、意图转移两大挑战，提出搜索意图网络以解决现有个性化QAC方法难以准确建模当前用户搜索意图的问题。
2024-03-05 cs.IR cs.LG
Personalized Academic Research Paper Recommendation System
Georgia Institute of Technology（佐治亚理工学院）
现在，大量的学术论文来自许多会议和期刊。在这种情况下，大多数研究人员依靠基于关键字的搜索或浏览顶级会议和期刊的会议记录来找到他们的相关工作。为了缓解这个困难，我们提出了一个个性化的学术研究论文推荐系统，推荐相关的文章，为每个研究人员，这可能是她/他感兴趣的。在本文中，我们首先介绍了我们的网络爬虫检索研究论文从网上。然后，我们定义了两篇研究论文之间的相似度的基础上，他们之间的文本相似度。最后，我们提出了我们的推荐系统开发使用协同过滤方法。我们的评估结果表明，我们的系统推荐高质量的研究论文。
2013-04-19 cs.DL cs.IR cs.LG
AgenticShop: Benchmarking Agentic Product Curation for Personalized Web Shopping
Department of Artificial Intelligence Yonsei University Seoul Republic of Korea（人工智能系 首尔国立庆尚大学 首尔 大韩民国）；ParamitaAI Seoul Republic of Korea（ParamitaAI 首尔 大韩民国）；Yonsei University（首尔国立庆尚大学）；ParamitaAI
AgenticShop是首个评估智能代理系统在开放网络环境中进行个性化产品整理的基准测试，通过真实购物场景和多样用户资料，验证代理系统在复杂购物情境中的适应能力。
2026-02-12 cs.AI cs.IR
Personalized Federated Search at LinkedIn
LinkedIn（领英）
LinkedIn已经发展成为一个平台，托管各种信息来源，包括成员个人资料，工作，专业团体，幻灯片等。考虑到存在多个来源，当成员发出类似“软件工程师”的查询时，成员可以查找软件工程师个人资料，工作或专业团体。为了解决这个问题，我们采用了一种数据驱动的方法，从他们的个人资料数据和最近的活动中大规模地提取潜在意图。使用求职、招聘、内容消费等意图构造特征，实现个性化联邦搜索体验。我们在LinkedIn主页上测试了这种方法，A/B测试显示会员参与度有了显著提高。在撰写本文时，该方法支持LinkedIn主页上的所有联合搜索。
2016-02-16 cs.IR cs.LG
DimensionRank: Personal Neural Representations for Personalized General Search
网络搜索和社交媒体一直是互联网上最重要的两个应用。我们首先给出一个统一的框架，称为通用搜索，其中所有的搜索和社交媒体产品都可以被视为实例。Challenge是我们的主要贡献。这是一种基于神经网络的个性化通用搜索算法。PercisionRank的大胆创新是使用他们自己独特的个人神经表示向量来建模和表示每个用户，这是一个实值多维向量空间中的学习表示。这是我们所知道的第一个互联网服务，它用自己独立的表示向量来建模每个用户。这也是我们所知道的第一个尝试个性化一般网络搜索的服务。此外，神经表示允许我们提出第一个Reddit风格的算法，这是免疫的问题，“旅”。我们相信，个性化的通用搜索将产生一个搜索产品的数量级优于谷歌的一刀切的网络搜索算法。最后，我们宣布Deep Revelations，这是一个基于搜索排名的新搜索和社交网络互联网应用程序。
2020-05-26 cs.IR
Collaborative Personalized Web Recommender System using Entropy based Similarity Measure
Acharya Narender Dev College, University of Delhi（德里大学阿查里亚·纳伦德拉·德夫学院）；Swami Sharaddhanand College, University of Delhi（德里大学斯瓦米·沙拉德南德学院）；University of Delhi（德里大学）；Atma Ram Sanatam Dharam College, University of Delhi（德里大学阿特马·拉姆·萨纳坦·达拉姆学院）
在互联网上，网络冲浪者在搜索信息时，总是努力寻找推荐。由于信息领域的日益增长，产生推荐的解决方案变得更加困难。在本文中，我们已经计算基于熵的用户之间的相似性，以实现可扩展性问题的解决方案。利用这个概念，我们已经实现了一个在线用户为基础的协同Web推荐系统。在该模型的基础上，协同系统的用户会话分为两个层次。在两个级别上计算熵。结果表明，从一组有价值的排序者在第一级，只有那些排序者具有较低的熵在第二级比熵在第一级，作为值得信赖的排序者。最后，为在线用户从这样的值得信赖的推荐者生成前N个推荐。
2012-01-20 cs.AI cs.IR
Group based Personalized Search by Integrating Search Behaviour and Friend Network
个性化搜索的关键是根据历史行为建立用户简档。针对缺乏历史数据的用户，提出了基于组的个性化模型，在对结果进行重新排序时加入相似用户的个人资料。然而，相似的用户大多是基于简单的词汇或主题相似性的搜索行为。本文提出了一种神经网络增强的方法来突出语义空间中的相似用户。此外，我们认为，基于行为的相似用户仍然不足以理解一个新的查询用户的历史活动是有限的。为了解决这个问题，我们将朋友网络引入到个性化搜索中，以另一种方式确定用户之间的亲密度。由于友谊往往是基于相似的背景或兴趣而形成的，因此在朋友网络中自然隐藏着大量的个性化信号。具体来说，我们提出了一个朋友网络增强的个性化搜索模型，该模型将用户分为多个朋友圈的搜索行为和朋友关系的基础上。这两种类型的朋友圈是互补的，以构建更全面的群体档案，用于细化个性化。实验结果表明，我们的模型显着改善现有的个性化搜索模型。
2021-11-24 cs.IR
Large-scale Real-time Personalized Similar Product Recommendations
iLambda；University of North Texas（北德克萨斯大学）；Kent State University（肯特州立大学）
同类商品推荐是电商中最常见的场景之一。许多推荐算法，如项目到项目的协同过滤正在努力衡量项目的相似性。在本文中，我们介绍了我们的实时的【形】个性化算法模型的产品相似性和实时的【形】用户的兴趣。我们还介绍了其他几种基线算法，包括基于图像相似性的方法，项目到项目的协同过滤，和item2vec，并在我们的大规模真实世界的电子商务数据集上进行比较。本文提出的算法在离线情况下取得了较好的效果，并在在线电子商务网站上进行了测试。我们的个性化方法在现实世界的电子商务场景中实现了10%的添加购物车数量的改善。
2020-04-12 cs.IR cs.LG
Faceted Semantic Search for Personalized Social Search
实际的社交网络（如Facebook、Twitter、Linkedin等）在本体论的不确定性上需要处理不确定性。本文分析了在社区环境中使用“联合意义”的面向个性化社会搜索的分面语义搜索的原型。在一个由大众分类法定义的“协作”环境中的用户研究可以由分面语义搜索上的最常见特征来支持。上下文感知的个性化搜索的解决方案是基于“联合意义”，其被理解为内容的创建者和内容的用户使用面向语义网的分类法的联合联系。一个概念验证原型显示了所提出的方法也可以应用到现有的演示组件，建立不同的语言和/或组件技术。
2012-02-29 cs.IR
Cognitive Personalized Search Integrating Large Language Models with an Efficient Memory Mechanism
本文提出认知个性化搜索模型CoPS，结合大型语言模型与认知记忆机制，通过三步法处理查询，在零样本场景下有效克服数据稀疏问题并提升搜索体验。
2024-02-16 cs.IR
InteractRank: Personalized Web-Scale Search Pre-Ranking with Cross Interaction Features
Pinterest
InteractRank提出在双塔预排序模型中引入查询-项目交叉交互特征，在Pinterest实验中以低延迟显著提升在线参与度，分别超越BM25和普通双塔基线6.5%和3.7%。
2025-04-09 cs.AI cs.IR cs.LG
Multi-Label Network Classification via Weighted Personalized Factorizations
University of Hildesheim（希尔德斯海姆大学）
多标签网络分类是一个众所周知的任务，被用于各种各样的基于Web和非基于Web的域。它可以被形式化为一个多关系学习任务，用于根据网络中的关系预测节点标签。在稀疏网络中，当只有隐式反馈信息可用时，例如在预测社交网络中的用户兴趣时，该预测任务可能非常具有挑战性。目前的方法依赖于通过利用网络结构来学习每个节点的潜在表示，然而，隐式反馈关系是自然稀疏的，并且仅包含正的观察到的反馈，这意味着这些方法将把所有观察到的关系视为同等重要。这在现实世界的场景中不一定是这种情况，因为隐式关系可能具有反映这些关系的强度的语义权重。如果这些权重可以近似，则可以训练模型以区分强关系和弱关系。提出了一种基于贝叶斯个性化排序损失的加权个性化两阶段多关系矩阵分解网络分类模型，该模型利用基本传递节点相似度函数对隐式反馈关系进行加权.实验表明，该模型显着优于国家的最先进的模型在三个不同的现实世界的基于Web的数据集和基于生物学的数据集。
2019-02-25 cs.IR cs.LG cs.SI
Bi-NAS: Towards Effective and Personalized Explanation for Recommender Systems via Bi-Level Neural Architecture Search
Virginia Tech（弗吉尼亚理工大学）；Google（谷歌）；Amazon（亚马逊）
提出Bi-NAS框架，通过双层神经架构搜索优化推荐解释，结合大语言模型生成个性化理由，提升准确性和解释效果。
2026-07-03 cs.IR cs.LG
Ensemble Methods for Personalized E-Commerce Search Challenge at CIKM Cup 2016
个性化搜索是多年来的研究热点，在电子商业中得到了广泛的应用。本文介绍了我们的解决方案，以应对个性化的电子商业搜索在CIKMCup 2016的挑战。这项比赛的目标是预测搜索相关性，并根据个性化的搜索，浏览和购买偏好重新排名SERP中的结果项。基于对所提供数据的详细分析，我们提取了三种不同类型的特征，即，统计特征、查询项特征和会话特征。在这些特征上使用了不同的模型，包括逻辑回归、梯度提升决策树、秩支持向量机和一种新的深度匹配模型。通过多个模型的混合，建立堆叠集成模型，以整合各个模型的输出，产生更准确的预测结果。基于这些努力，我们的解决方案在所有评估指标上赢得了比赛的冠军。
2017-08-15 cs.IR
Bias in Conversational Search: The Double-Edged Sword of the Personalized Knowledge Graph
对话式人工智能系统正在个人设备中使用，为用户提供高度个性化的内容。个性化知识图谱（PKG）是最近提出的以结构化形式存储用户信息并根据用户喜好定制答案的方法之一。然而，个性化倾向于放大偏差并导致回声室现象。在本文中，我们讨论了会话搜索系统中的不同类型的偏见，与PKG相关的偏见的重点。我们回顾了文献中现有的偏见定义：人的偏见，算法偏见，以及两者的结合，并进一步提出了不同的策略来解决这些偏见的会话搜索系统。最后，我们讨论了测量偏差和评估用户满意度的方法。
2020-10-20 cs.IR
Personalized Expertise Search at LinkedIn
LinkedIn（领英）
LinkedIn是全球最大的专业社交网络，拥有超过3.5亿会员。随着会员基数的增加，寻找专家变得越来越具有挑战性。在本文中，我们提出了一种方法来解决LinkedIn上的个性化专业知识搜索的问题，特别是对探索性搜索查询包含{ \it技能}。在离线阶段，我们介绍了一种基于矩阵分解的协同过滤方法。我们的方法估计了成员在个人资料中列出的技能以及他们可能拥有但没有明确列出的技能的专业知识得分。在在线阶段（查询时），我们使用这些技能的专业知识分数作为特征，并结合其他特征对结果进行排名。为了学习个性化的排名功能，我们提出了一个启发式提取训练数据从搜索日志，同时处理位置和样本选择偏差。我们在两个产品上测试了我们的模型-- LinkedIn主页和LinkedIn招聘人员。A/B测试显示，点击率有了显着提高-招聘人员的CTR@1为31%（主页为18%），搜索发送的下游消息为37%（主页为20%）。截至撰写本文时，这些模型几乎为LinkedIn主页上的技能搜索以及LinkedIn招聘人员提供了所有实时流量。
2016-02-15 cs.IR cs.LG cs.SI
Attentive Long Short-Term Preference Modeling for Personalized Product Search
电子商务用户可能会期望不同的产品，即使是相同的查询，由于他们不同的个人喜好。众所周知，有两种类型的偏好：长期偏好和短期偏好。前者是指用户固有的购买偏好，发展缓慢。相比之下，后者反映了用户在较短时间内的购买倾向。它们都影响用户当前的购买意愿。然而，很少有研究工作一直致力于联合建模他们的个性化产品搜索。为此，我们提出了一种新的注意长短期偏好模型，称为ALSTP，个性化的产品搜索。我们的模型采用神经网络的方法来学习和整合长期和短期的用户偏好与当前的查询个性化的产品搜索。特别是，两个注意力网络的目的是区分哪些因素在短期以及长期的用户偏好是更相关的当前查询。这种独特的设计使我们的模型能够更准确地捕捉用户当前的搜索意图。我们的工作是第一个应用注意力机制整合长期和短期的用户偏好与给定的查询的个性化搜索。在四个亚马逊产品数据集上的广泛实验表明，我们的模型在不同的评估指标方面显着优于几种最先进的产品搜索方法。
2018-11-26 cs.IR
Learning a Fine-Grained Review-based Transformer Model for Personalized Product Search
产品搜索一直是服务于人们在线购物的关键入口。大多数现有的个性化产品模型遵循在语义空间中表示和匹配用户意图和项目的范例，其中细粒度的匹配被完全丢弃，并且项目的排名不能被进一步解释为仅仅是用户/项目级别的相似性。此外，虽然现有研究中的一些模型已经基于搜索上下文创建了动态用户表示，但它们对项目的表示在所有搜索会话中都是静态的。这使得在与各种用户意图匹配期间，关于项的每条信息在表示项时总是同等重要。意识到上述限制，我们提出了一个基于评论的Transformer模型（RTM）的个性化产品搜索，编码的序列查询，用户评论，和项目评论与Transformer架构。RTM在用户和项目之间进行审查级别的匹配，其中每个审查根据序列中的上下文具有动态效果。这使得识别有用的评论来解释评分成为可能。实验结果表明，RTM显着优于国家的最先进的个性化产品搜索基线。
2021-06-03 cs.IR
A Zero Attention Model for Personalized Product Search
产品搜索是人们在电子商务网站上发现和购买产品的最流行的方法之一。由于个人偏好往往对每个客户的购买决策有着重要的影响，因此直观地说，个性化应该对产品搜索引擎有益。虽然从以前的研究合成实验表明，购买历史是有用的，用于确定每个产品搜索会话的个人意图，个性化的产品搜索在实践中的效果，然而，仍然是未知的。在本文中，我们制定的个性化产品搜索的问题，并进行大规模的实验，从商业电子商务搜索引擎的搜索日志采样。从我们的初步分析结果表明，个性化的潜力取决于查询的特点，查询之间的相互作用，和用户的购买历史。基于这些观察，我们提出了一个零注意力模型的产品搜索，自动确定何时以及如何个性化的用户查询对通过一种新的注意力机制。商业产品搜索日志的实证结果表明，该模型不仅显着优于国家的最先进的个性化产品检索模型，但也提供了重要的信息，个性化的潜力，在每个产品搜索会话。
2019-08-29 cs.IR
Towards Personalized and Semantic Retrieval: An End-to-End Solution for E-commerce Search via Embedding Learning
如今，电子商业搜索已经成为许多人购物常规中不可或缺的一部分。在当今的电子商业搜索中存在两个关键挑战：如何检索语义相关但与查询词不精确匹配的项目，以及如何检索对于相同搜索查询的不同用户而言更加个性化的项目。在本文中，我们提出了一种称为DPSR的新方法，它代表深度个性化和语义检索，以解决这个问题。解释，我们分享我们的设计决策，如何架构一个检索系统，以有效地服务于行业规模的交通，以及如何训练模型，以准确地学习查询和项目语义。基于离线评估和实时流量的在线A/B测试，我们表明DPSR模型优于现有模型，DPSR系统可以检索更多个性化和语义相关的项目，显着改善用户的搜索体验+1.29%的转换率，特别是长尾查询+10.03%。因此，自二零一九年起，我们的DPSR系统已成功应用于JD.com的搜索产品。
2020-06-05 cs.IR
AgentWebRec: Compact Evidence Fusion over the Agent Web for Personalized Recommendation
Beihang University（北京航空航天大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
AgentWebRec提出在智能体网络中，通过有限证据预算下的任务时证据获取与融合，利用平台语义和本地记忆，并条件查询邻居智能体，以提升个性化推荐性能。
2026-10-02 cs.IR
PSSL: Self-supervised Learning for Personalized Search with Contrastive Sampling
个性化搜索能够根据用户的历史行为建立用户简档，在改善用户搜索体验方面起着至关重要的作用。先前的研究在从查询日志中提取个人信号和学习用户表征方面取得了很大进展。然而，神经个性化搜索非常依赖于足够的数据来训练用户模型。数据稀疏性是现有方法学习高质量用户表示的一个不可避免的挑战。此外，对最终排名质量的过度关注导致粗糙的数据表示，损害了模型的泛化能力。为了解决这些问题，我们提出了一个个性化的搜索框架与自监督学习（PSSL），以提高数据表示。具体来说，我们采用对比抽样的方法来提取成对的自监督信息的用户行为序列中的查询日志。设计了四个辅助任务来预训练排序模型中使用的句子编码器和序列编码器。它们通过对比度损失进行优化，旨在缩短相似用户序列，查询和文档之间的距离。在两个数据集上的实验结果表明，与现有的基线相比，我们提出的模型PSSL达到了最先进的性能。
2021-11-24 cs.IR
Personalized Entity Search by Sparse and Scrutable User Profiles
之前关于个性化网络搜索结果的工作集中在考虑查询和点击日志来捕获用户的个人兴趣。对于产品搜索，已经利用了关于购买和评级的广泛用户历史。然而，对于一般的实体搜索，例如针对特定主题的书籍或具有某些功能的旅游目的地，个性化在很大程度上未被探索。在本文中，我们解决个性化的图书搜索，作为一个典型的情况下，实体搜索，利用稀疏的用户简档通过在线问卷调查。我们设计并比较了各种基于语言模型或神经学习的重新排序方法。我们的实验表明，即使是非常稀疏的个人信息可以提高搜索结果的有效性。
2021-09-10 cs.IR
Aesthetic Features for Personalized Photo Recommendation
Shopify；University of Toronto（多伦多大学）
许多摄影网站，如Flickr，500px，Unsplash和Adobe Behance，都被业余和专业摄影爱好者使用。与基于内容的图片搜索不同，摄影网站的这类用户并不仅仅是在寻找具有某种内容的照片，更普遍的是寻找具有某种摄影“美感”的照片。在此背景下，我们探索个性化的照片推荐，并提出了两种美学特征提取方法的基础上（i）颜色空间和（ii）深度风格转移嵌入。使用来自500px的数据集，我们评估了如何通过协同过滤方法最好地利用这些功能，并表明（ii）提供了显着提高照片推荐性能。
2018-08-31 cs.CV cs.IR
Personalized Search
随着电子信息量的增长，相关项目变得更难找到。这项工作提出了一种个性化的搜索结果在科学出版物数据库。这项工作的重点是对现有搜索引擎（如Solr或ElasticSearch）的搜索结果进行重新排名。这项工作还包括Obelix的开发，Obelix是一种用于重新排名搜索结果的新推荐系统。该项目由CERN提出并执行，使用CERN文件服务器（CDS）上的科学出版物。这项工作的实验重新排名使用离线和在线评价的用户和文档的CDS。实验结果表明，在CDS全局搜索中，个性化搜索结果在点击位置方面优于最新的第一相似度和词相似度。
2015-09-07 cs.DL cs.IR
Personalized Search Via Neural Contextual Semantic Relevance Ranking
本文提出一种神经学习框架，通过结合词汇表示和语义嵌入建模文档内容与用户查询上下文的关系，利用个性化上下文信号优化文档排序，有效提升了个性化搜索效果。
2023-09-10 cs.IR
The Bitwise Hashing Trick for Personalized Search
许多现实世界的问题需要对大量短文本字符串进行快速有效的词法比较。搜索个性化就是这样一个领域。我们介绍了使用哈希技巧的特征位向量，以提高个性化搜索和其他个性化应用程序的相关性。我们提出了几个词汇哈希和比较方法的结果。这些方法应用于用户的历史行为，并用于预测未来行为。每维使用单个位而不是浮点导致数据结构大小的数量级减小，同时保持甚至提高质量。我们使用真实数据来模拟搜索个性化任务。一个简单的组合位向量的方法证明了在计算时间上的一个数量级的改进，只有一个小的精度下降的任务。
2019-10-18 cs.IR
Entity Personalized Talent Search Models with Tree Interaction Features
LinkedIn（领英）
人才搜索系统旨在推荐与招聘人员的招聘需求很好匹配的潜在候选人，招聘人员的招聘需求是根据招聘人员的搜索查询或职位发布来表达的。过去在这一领域的工作主要集中在线性和非线性模型上，这些模型由于只使用全球收集的招聘人员活动数据进行训练而缺乏用户级别的偏好个性化。本文提出了一种实体个性化人才搜索模型，该模型结合广义线性混合（GLMix）模型和梯度提升决策树（GBDT）模型，利用GBDT生成的非线性树交互特征提供个性化人才推荐。我们还提出了离线和在线的系统架构，在我们的人才搜索系统的生产这种混合模型的方法。最后，我们提供了离线和在线实验结果，用树交互功能对我们的实体个性化模型进行基准测试，与全局训练的非个性化模型相比，我们的精确度指标有了显着提高。
2019-02-25 cs.AI cs.IR
Leveraging User Behavior History for Personalized Email Search
一个有效的电子邮件搜索引擎可以方便用户的搜索任务，提高他们的沟通效率。用户可能对电子邮件的各种排名信号有不同的偏好，例如基于他们手头的任务甚至他们的工作的相关性和新近度。因此，统一的匹配模式对于所有用户来说不是最佳的。相反，一个有效的电子邮件排名应该进行个性化的排名，考虑到用户的特点。已有的研究从不同的角度探索用户特征，使电子邮件搜索结果个性化。然而，很少关注用户的搜索历史来描述用户的特征。虽然用户的历史行为已被证明是有益的，作为上下文在Web搜索中，他们的电子邮件搜索的效果还没有被研究，仍然是未知的。鉴于这些观察，我们建议利用用户搜索历史作为查询上下文来描述用户，并建立一个上下文感知的电子邮件搜索排名模型。与以前基于原始文本的上下文相关排名技术相比，我们在搜索历史中使用排名功能。这使我们免于潜在的隐私泄露，同时为看不见的用户提供更好的泛化能力。因此，我们提出了一个上下文相关的神经排名模型（CNRM），编码的排名功能，在用户的搜索历史查询上下文，并表明它可以显着优于基线神经模型，而不使用上下文。我们还调查了从CNRM获得的查询上下文向量对最先进的学习排名模型LambdaMart通过聚类向量和合并聚类信息的好处。实验结果表明，在LambdaMart上也能获得明显更好的结果，表明查询聚类能够表征不同用户，有效地实现了排序模型的个性化。
2021-03-17 cs.IR
Similarity = Value? Consultation Value Assessment and Alignment for Personalized Search
针对现有个性化搜索仅用语义相似性对齐咨询内容无法捕捉真实价值的问题，提出含三维度的咨询价值评估框架及价值感知模型VAPS，在多数据集的检索与排序任务上效果优于基线。
2025-06-17 cs.IR
KARMA: Knowledge-Action Regularized Multimodal Alignment for Personalized Search at Taobao
Taobao \& Tmall Group of Alibaba Hangzhou China；Taobao \& Tmall Group of Alibaba
KARMA通过知识-行动正则化多模态对齐框架，解决个性化搜索中知识与行动冲突问题，提升语义可解性与行动指标，实现GMV增长。
2026-03-31 cs.AI cs.IR cs.LG
Personalized Ranking in eCommerce Search
eBay Inc.（eBay公司）
我们在电子商务搜索的背景下解决个性化的问题。具体来说，我们开发个性化排名功能，使用会话上下文来增强针对转换和相关性进行优化的通用排名器。我们使用了从历史会话中的项目共同点击和基于内容的功能，使用项目标题和价格的潜在功能的组合。搜索中的个性化在现有文献中已经被广泛讨论。我们的工作的新颖性是结合和比较基于内容和内容不可知的功能，并表明它们相互补充，导致显着改善的排名。此外，我们的技术不需要一个明确的重新排名的步骤，不依赖于学习用户简档从长期的搜索行为，并不涉及复杂的建模查询项用户功能。我们的方法捕获项目共同点击倾向使用轻量级项目嵌入。我们的实验表明，我们的技术显着优于一个通用的排名平均倒数排名（MRR）。我们还提供了轶事证据的语义相似性捕获的项目嵌入在eBay搜索引擎。
2019-04-30 cs.CL cs.IR cs.LG
When & How to Write for Personalized Demand-aware Query Rewriting in Video Search
Weixin Group, Tencent（腾讯微信事业群）
本文提出WeWrite框架，通过自动化后验挖掘策略、混合训练范式和并行'假召回'架构，提升视频搜索查询重写效果，提高点击视频量1.07%并降低查询重写率2.97%。
2026-04-10 cs.CV cs.IR cs.LG
Personalized PageRank Estimation and Search: A Bidirectional Approach
我们提出了新的个性化PageRank估计和个性化PageRank搜索算法。首先，对于估计个性化PageRank（PPR）从源分布到目标节点的问题，我们提出了一种新的双向估计器，它具有简单而强大的正确性和性能保证，并且在不同网络的实验中比现有估计器加速3倍至8倍。此外，它有一个干净的代数结构，使其能够用作个性化PageRank搜索问题的原语：给定一个像Facebook这样的网络，一个像“叫John的人”这样的查询，以及一个搜索用户，从搜索用户的角度返回网络中PPR排名的顶级节点。以前的解决方案要么对所有节点进行评分，要么一次对一个候选节点进行评分，这对于大型候选集来说非常缓慢。我们开发了一种新的算法，基于我们的双向PPR估计，它通过基于PPR的候选人采样来识别最相关的结果;这是PPR搜索的第一个解决方案，可以找到最好的结果，而无需迭代所有候选结果的集合。最后，通过结合PPR抽样与序贯PPR估计和蒙特卡洛，我们开发了实用的算法PPR搜索，我们通过实验表明，我们的算法是有效的网络与数十亿的边缘。
2015-12-15 cs.DS cs.IR cs.SI
IHGNN: Interactive Hypergraph Neural Network for Personalized Product Search
一个好的个性化产品搜索系统不仅要关注相关产品的检索，还要考虑用户的个性化偏好。最近关于PPS的工作主要采用表示学习范例，例如，从历史用户行为（又名）中学习每个实体（包括用户、产品和查询）的表示。用户-产品-查询交互）。然而，我们认为，现有的方法没有充分利用关键的合作信号，这是潜在的历史互动，以揭示实体之间的亲和力。协作信号有助于生成高质量的表示，利用协作信号将有利于一个节点从其连接的节点中进行表示学习。为了解决这个问题，在这项工作中，我们提出了一个新的模型IHGNN的个性化产品搜索。IHGNN利用历史用户-产品-查询交互行为构建的超图，能够完全保持三元关系，并基于拓扑结构表达协作信号。在此基础上，我们开发了一个特定的交互式超图神经网络来显式编码结构信息（即，协作信号）到嵌入过程中。它从超图邻居中收集信息，并显式地对邻居特征交互进行建模，以增强目标实体的表示。在三个真实世界数据集上进行的广泛实验验证了我们的提议相对于最先进技术的优越性。
2022-02-10 cs.IR
Bridging Personalization and Control in Scientific Personalized Search
University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）；Lowe’s Companies, Inc（劳埃德公司）；Coursera
针对个性化搜索不透明且缺乏用户控制的问题，提出带有可编辑记忆的cross-encoder模型CtrlCE与校准混合模型，使用户能主动控制个性化排序并按需触发个性化，在四个科学领域及用户研究中验证了其有效性。
2025-04-30 cs.CL cs.IR
Personalized Product Search Ranking: A Multi-Task Learning Approach with Tabular and Non-Tabular Data
Walmart Global Tech（沃尔玛全球技术）
本文提出一种基于多任务学习的个性化产品搜索排序模型架构，整合表格与非表格数据并利用预训练TinyBERT，结合可扩展相关性标注机制，显著提升了模型性能。
2025-08-13 cs.AI cs.CL cs.IR
Web-page Prediction for Domain Specific Web-search using Boolean Bit Mask
搜索引擎是一种网页检索工具。如今，网络搜索者使用高效的搜索引擎来利用他们的时间。为了提高搜索引擎的性能，我们引入了一种独特的机制，它将为Web搜索者提供更突出的搜索结果。在本文中，我们将讨论一个特定领域的Web搜索原型，它将产生预测的网页列表，用户给定的搜索字符串使用布尔位掩码。
2012-06-25 cs.IR
A Transformer-based Embedding Model for Personalized Product Search
商品搜索是人们在电子商务平台上浏览和购买商品的重要方式。虽然客户倾向于根据个人品味和偏好做出选择，但对商业产品搜索日志的分析表明，个性化并不总是提高产品搜索质量。然而，大多数现有的产品搜索技术在搜索会话中进行无差别的个性化。他们要么用一个固定的系数来控制个性化的影响，要么用一个注意力机制让个性化一直起作用。唯一值得注意的例外是最近提出的零注意模型（ZAM），它可以通过允许查询关注零向量来自适应地调整个性化的效果。尽管如此，在ZAM中，个性化最多可以与查询一样重要，并且项目的表示在整个集合中是静态的，而不管在用户的历史购买中共同出现的项目。意识到这些局限性，我们提出了一个基于transformer的嵌入模型（TEM）的个性化产品搜索，它可以动态地控制个性化的影响，通过编码的查询序列和用户的购买历史与Transformer架构。个性化可以在必要时产生主导影响，并且在计算注意力权重时可以考虑项目之间的交互。实验结果表明，TEM比国家的最先进的个性化产品检索模型显着。
2020-05-18 cs.IR
Doing Personal LAPS: LLM-Augmented Dialogue Construction for Personalized Multi-Session Conversational Search
本文提出LAPS方法，利用大语言模型引导单人高效生成大规模多会话个性化对话数据，用于训练偏好提取和个性化响应生成，实验证明其质量与专家相当且优于纯合成方法。
2024-05-06 cs.IR
Beyond Keywords and Relevance: A Personalized Ad Retrieval Framework in E-Commerce Sponsored Search
在大多数赞助搜索平台上，广告商对其广告（广告）的某些关键字进行出价。给定搜索请求，广告检索模块将查询重写为竞价关键词，并以竞价关键词为关键词通过倒排索引选择TopN广告。以这种方式，当广告商不对相应的关键字出价时，即使查询是相关的，也不会检索到广告。此外，大多数广告检索方法将重写和广告选择视为两个独立的任务，并专注于提高搜索查询和广告之间的相关性。近年来，在电子商业赞助搜索中引入了越来越多的个性化信息，如用户简档、长时间和实时点击等。个性化信息使得广告检索能够采用更多的元素（例如实时点击）作为搜索信号和检索关键字，然而它使得广告检索更难以测量通过不同信号检索的广告。为了解决这些问题，我们提出了一个新的广告检索框架，超越关键字和相关性在电子商业赞助搜索。首先，我们使用历史广告点击数据初始化一个分层网络表示的信号，键和广告，其中个性化信息的介绍。然后，我们训练一个模型的层次网络的顶部，通过学习边的权重。最后，我们根据模型选择最好的边缘，提高RPM/CTR。在我们的电子商业平台上的实验结果表明，我们的广告检索框架取得了良好的性能。
2018-04-23 cs.IR stat.ML
PARK: Personalized academic retrieval with knowledge-graphs
本文提出PARK方法，通过将学术引文图转换为知识图谱并与神经语言模型共享语义空间，以更完整地建模用户学术兴趣，在多个学术搜索领域中显著提升了检索效果。
2025-07-18 cs.IR
Context Models For Web Search Personalization
我们提出了我们的解决方案，以Yandex个性化网页搜索的挑战。这个挑战的目的是使用历史搜索日志为一组测试用户个性化前N个文档排序。我们使用了从用户和查询相关的上下文中提取的100多个特征来训练神经网络和基于树的学习排名和回归模型。我们最终提交的作品融合了几种不同的模型，NDCG@10的得分为0.80476，在194个获得三等奖的团队中排名第四。
2015-02-02 cs.IR
JDsearch: A Personalized Product Search Dataset with Real Queries and Full Interactions
本文发布了JDsearch数据集，包含来自JD.com的真实用户查询和完整交互，克服了以往模拟数据集的局限，并验证了其用于个性化商品搜索评估的可行性。
2023-05-24 cs.IR
