JointMap: Joint Query Intent Understanding For Modeling Intent Hierarchies in E-commerce Search
Emory University（埃默里大学）；The Home Depot（家得宝）
准确理解用户的查询意图可以帮助提高下游任务（如查询范围和排名）的性能。在电子商业领域，最近的工作在查询理解集中在查询到产品类别的映射。但是，有一小部分查询（在我们的网站上，2019年有1.5%或3300万次查询）与非商业意图相关。这些意图通常与非商业信息寻求需求相关联，如折扣，商店营业时间，安装指南等。在本文中，我们介绍了联合查询意图理解（JointMap），一种深度学习模型，用于同时学习两个不同的高级用户意图任务：1）识别查询的商业与非商业意图，以及2）将分类中的一组相关产品类别与产品查询相关联。JointMap模型通过联合学习过程利用这两个相关任务之间存在的迁移偏差来工作。由于为这些任务策划标记数据集可能是昂贵和耗时的，我们提出了一种远程监督方法，结合主动学习模型来生成高质量的训练数据集。为了证明JointMap的有效性，我们使用从大型商业网站收集的搜索查询。我们的研究结果表明，与最先进的深度学习方法相比，JointMap显著提高了“商业与非商业”意图预测和产品类别映射的平均2.3%和10%。我们的研究结果提出了一个有前途的方向，在电子商业搜索引擎的意图层次模型。
2020-05-29 cs.CL cs.IR
Query Understanding in the Age of Large Language Models
Delft University of Technology（代尔夫特理工大学）；L3S Research Institute（L3S研究所）；University of Stavanger（斯塔万格大学）
本文提出了一个基于大型语言模型的交互式查询重写通用框架，允许用户在最终检索前以自然语言细化机器意图，从而提升检索系统的透明度与排序性能，并改变传统意图理解的监督信号收集方式。
2023-06-28 cs.AI cs.IR
ICEGR: An Intent-Coherent End-to-End Generative Retrieval Framework for E-commerce Search
Baidu（百度）；Beihang University（北京航空航天大学）；Renmin University of China（中国人民大学）
本文针对现有电商搜索生成式检索方法的意图一致性问题，提出ICEGR框架，通过三个组件优化后，在离线指标及百度电商搜索A/B测试中均取得显著性能提升。
2026-09-11 cs.IR
Intent Models for Contextualising and Diversifying Query Suggestions
查询建议或自动完成机制帮助用户在与搜索引擎交互时键入更少。根据建议在查询日志中的出现频率对其进行排名的基本方法是次优的。首先，许多具有相同前缀的候选查询可以作为冗余被移除。其次，建议也可以基于用户的上下文进行个性化。提高上述机制的质量的这两个方向可以是相反的：后者旨在促进解决用户可能具有的搜索意图的建议，而前者旨在使建议多样化以覆盖尽可能多的意图。我们引入了一个上下文框架，利用短期上下文使用用户的行为在当前的搜索会话，如以前的查询，检查的文件，和候选人的查询建议，用户已经放弃。这个短期的上下文被用来上下文化和多样化的排名的查询建议，通过建模用户的信息需要作为一个混合的意图特定的用户模型。在一组约1.0M的测试用户会话上离线执行评估。我们的研究结果表明，所提出的方法显着提高查询建议相比，基线方法。
2013-12-05 cs.IR
GenCRF: Generative Clustering and Reformulation Framework for Enhanced Intent-Driven Information Retrieval
Peking University（北京大学）；Wilfrid Laurier University（威尔弗里德劳里埃大学）
针对现有大语言模型查询重构方法存在的扩展有限、冗余问题，本文提出GenCRF生成式聚类与重构框架，通过生成差异化查询聚类捕捉多样意图，结合加权聚合与QERM反馈优化，在BEIR基准上nDCG@10最高提升12%，达到SOTA。
2024-09-17 cs.AI cs.CL cs.IR
Intent-Aware Neural Query Reformulation for Behavior-Aligned Product Search
eBay Inc（eBay公司）
本研究针对电商搜索查询改写的意图建模难题，提出挖掘买家日志细粒度意图信号的数据流水线，构建意图感知改写框架，实证显示其在多品类中提升了检索相关性与用户参与度。
2025-07-29 cs.IR cs.LG
Enhancing Healthcare Search Intent Recognition with Query Representation Learning and Session Context
Emory University（埃默里大学）；Kaiser Permanente（凯撒永久医疗集团）
本文通过聚类聚合相似查询和引入新型损失函数，提升医疗查询表示学习的准确性，并提出concordance率指标量化查询模糊性和会话间意图不一致，改进搜索意图分类性能。
2026-09-07 cs.IR
QUIDS: Query Intent Description for Exploratory Search via Dual Space Modeling
QUIDS提出双空间建模方法，通过对比学习与解纠缠解码生成查询意图描述，显著提升探索性搜索中用户对系统理解的反馈质量。
2025-10-15 cs.IR
Few-Shot Query Intent Detection via Relation-Aware Prompt Learning
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Shenzhen MSU-BIT University（深圳MSU-BIT大学）；Harbin Institute of Technology（哈尔滨工业大学）
针对少样本查询意图检测，提出SAID框架统一整合文本与查询-查询、查询-答案关系结构信息进行预训练，并设计查询自适应注意力网络生成意图特定关系令牌，实现细粒度知识迁移，在真实数据集上显著优于现有方法。
2025-09-06 cs.CL cs.IR
A Multi-Granularity Matching Attention Network for Query Intent Classification in E-commerce Retrieval
查询意图分类是电子商业搜索引擎的重要组成部分，其目的是帮助用户找到所需的产品。现有的查询意图分类模型要么设计更精致的模型来增强查询的表示学习，要么探索标签图和多任务来促进模型学习外部信息。然而，这些模型不能捕捉多粒度的匹配功能，从查询和类别，这使得他们很难缓解非正式查询和类别之间的表达差距。本文提出了一种多粒度匹配注意力网络（MMAN），它包含三个模块：自匹配模块、字符级匹配模块和语义级匹配模块，用于从查询和查询-类别交互矩阵中综合提取特征。通过这种方式，该模型可以消除查询和类别之间的表达差异，用于查询意图分类。我们进行了大量的离线和在线A/B实验，结果表明，MMAN显着优于强基线，这表明了MMAN的优越性和有效性。MMAN已在生产中部署，为公司带来了巨大的商业价值。
2023-03-28 cs.CL cs.IR
Understanding the User: An Intent-Based Ranking Dataset
L3S Research Center（L3S研究中心）；Delft University of Technology（代尔夫特理工大学）
本文提出利用大语言模型为TREC-DL-21和TREC-DL-22基准查询生成富含意图的详细描述，并通过众包验证，构建可用于排序等任务的评估数据集。
2024-08-30 cs.AI cs.IR
DiffusionGS: Generative Search with Query Conditioned Diffusion in Kuaishou
City University of Hong Kong（香港城市大学）
针对现有个性化搜索排序系统未充分利用用户实时查询与历史行为显式对齐的问题，提出DiffusionGS方法，以查询为意图锚点，通过条件扩散和用户感知去噪层提取即时兴趣，实验证明其优于现有方法。
2025-08-25 cs.AI cs.IR
IntenT5: Search Result Diversification using Causal Language Models
搜索结果多样化是克服不明确查询（例如那些模糊或多方面的查询）的有益方法。现有的方法通常依赖于大量的查询日志和交互数据来生成各种可能的查询意图，然后可以使用这些查询意图来重新排序文档。然而，依赖用户交互数据是有问题的，因为首先需要大量的用户基础来构建足够的日志;公共查询日志本身是不够的。鉴于最近成功的因果语言模型（如文本到文本Transformer（T5）模型）在文本生成任务，我们探讨这些模型的能力，以产生潜在的查询意图。我们发现，鼓励多样性生成的查询，这是有益的，以适应模型，包括一个新的分布式因果语言建模（DCLM）的目标在微调和推理过程中的表示替换。在六个标准评估基准中，我们发现我们的方法（我们称之为Intent 5）提高了搜索结果的多样性，并达到（有时超过）基于专有查询日志使用查询建议时获得的多样性。我们的分析表明，我们的方法是最有效的多方面的查询，并能够有效地推广到查询中看不到的训练数据。
2021-08-09 cs.IR
IntentsKB: A Knowledge Base of Entity-Oriented Search Intents
University of Stavanger（斯塔万格大学）
我们解决的问题，构建面向实体的搜索意图的知识库。搜索意图是在实体类型的级别上定义的，每个实体类型包括高级意图类别（属性、网站、服务或其他）以及用于表达该意图的查询术语的集群。这些机器可读语句可以在各种应用中被利用，例如，用于生成实体卡或查询推荐。通过构建面向服务的搜索意图，我们向使实体可操作迈出了一步。本文的主要贡献是我们开发的组件管道，以构建实体意图的知识库。我们评估组件和端到端的性能，并证明我们的方法能够生成高质量的数据。
2018-09-02 cs.AI cs.CL cs.IR
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
Elaborative Subtopic Query Reformulation for Broad and Indirect Queries in Travel Destination Recommendation
University of Toronto（多伦多大学）
针对宽泛、间接旅行查询的意图理解难题，提出兼顾广度与深度的大语言模型查询重构方法 EQR，并发布 TravelDest 数据集，显著提升召回率与精确率。
2024-10-02 cs.AI cs.IR
Image-Seeking Intent Prediction for Cross-Device Product Search
University of Oxford（牛津大学）；Vienna University of Economics and Business（维也纳经济与商业大学）；Amazon（亚马逊公司）
本文针对跨设备电商搜索场景，提出寻图意图预测新任务，基于大规模生产数据训练IRP模型预测语音查询的视觉展示需求，结合轻量级摘要与精准导向损失提升预测效果，支撑更流畅的跨设备购物体验。
2025-09-16 cs.AI cs.IR
Techniques for Deep Query Understanding
查询理解关注的是通过用户的公式化查询来推断其精确的搜索意图，这是具有挑战性的，因为查询通常非常短且模糊。该报告讨论了各种类型的查询，可以把一个搜索引擎，并说明了查询理解的作用，为返回相关的结果。随着对查询和文档的深入理解技术的不同进步，搜索技术经历了三个主要时代。许多有趣的现实世界的例子被用来说明查询理解在其中的作用。查询理解模块负责纠正用户在查询中的错误，指导用户提出具有精确意图的查询，并精确推断用户查询的意图。该报告描述了处理上述三项任务的完整架构，然后通过知名会议和期刊的适当论文讨论了每个组件的基本和最新先进技术。
2015-05-19 cs.IR
Rules, Resources, and Restrictions: A Taxonomy of Task-Based Information Request Intents
University of Regensburg（雷根斯堡大学）
本文提出任务导向信息请求意图的分类，以弥补传统查询方法与AI任务支持需求之间的差距。
2026-01-19 cs.IR
Lookup or Exploratory: What is Your Search Intent?
搜索查询特异性大致分为两类-探索性或搜索性。如果可以在运行时间识别查询特异性，则可以使用它来显著改进搜索结果以及修改查询的建议的质量。然而，随着商业搜索引擎上每天出现数百万个查询，开发一种在运行时间确定查询特异性的水平技术是不平凡的。现有技术要么缺乏足够的训练数据，要么依赖于诸如查询长度或会话信息之类的信息。在本文中，我们表明，这种方法是不够的，有时误导。我们提出了一种新的方法，以克服这些限制。首先，我们展示了一种基于统计学的方法来识别大规模的探索性或重复性查询，将数百万个查询分类为两类，具有很高的准确性，如我们的实验所示。我们的方法不依赖于会话数据或查询长度。接下来，我们训练一个基于transformer的深度神经网络，以便在运行时间将查询分类到两个类中的一个。我们的方法使用一个双向GRU初始化与预训练的BERT-基地-uncased嵌入和增强的三元组损失分类查询的意图，而不使用任何会话数据。我们还引入了一种新的半贪婪迭代训练方法来微调我们的模型。我们的模型是可部署的实时的查询特异性识别的响应时间小于一毫秒。我们的技术是通用的，结果有价值的影响，提高搜索结果和建议的质量。
2021-10-09 cs.IR
In a Few Words: Comparing Weak Supervision and LLMs for Short Query Intent Classification
本文针对短查询的信息类、导航类和事务类意图分类，实证比较弱监督基线 ORCAS-I 与多种 LLaMA-3.1 模型，发现 LLM 召回率更高但精确率不足。
2025-06-06 cs.IR
Session Context Embedding for Intent Understanding in Product Search
针对商品搜索中单一查询-商品对训练无法捕捉用户意图的问题，提出会话上下文嵌入方法，利用会话交互行为生成可更新的嵌入用于检索排序，在查询商品类型分类任务上优于无会话上下文的策略。
2024-07-10 cs.IR
Intent Identification and Entity Extraction for Healthcare Queries in Indic Languages
IIT Kharagpur（印度理工学院卡哈拉格普尔分校）；University of Maryland, College Park（马里兰大学帕克分校）；Carnegie Mellon University（卡内基梅隆大学）
在印度等发展中国家，资源匮乏的语言的数据稀缺和技术限制对医疗保健领域复杂的NLU系统的发展构成了威胁。为了评估医疗保健领域各种最先进的语言模型的现状，本文首先提出了两个不同的医疗保健数据集，Indian Healthcare Query Intent-WebMD和1 mg（IHQID-WebMD和IHQID-1 mg）和一个真实世界的印度医院查询数据（英语和多种印度语言）（印地语、孟加拉语、泰米尔语、泰卢固语、马拉地语和古吉拉特语），它们用查询意图和实体进行注释。我们的目标是检测查询意图并提取相应的实体。我们进行了广泛的实验，一组模型在各种现实的设置和探索两种情况下的基础上访问英语数据（成本较低）和访问目标语言数据（更昂贵）。通过实证分析，我们分析了具体的实际相关性。结果，表示在整体F1分数方面表明，我们的方法是实际有用的，以确定意图和实体。
2023-02-19 cs.CL cs.IR
Improving Item Discoverability in e-Commerce Search via Related Intent Generation
Instacart
该研究提出两阶段混合架构的发现增强型搜索系统，通过LLM和微调SLM提升电商搜索的商品可发现性，将查询流量发现覆盖率从60%提至80%，成本仅为教师模型的30%，还可平衡市场供给。
2026-07-30 cs.AI cs.IR
User Intent Inference for Web Search and Conversational Agents
Emory University（埃默里大学）
用户意图理解是设计会话代理和搜索引擎的关键步骤。检测或推断用户意图是具有挑战性的，因为用户话语或查询可能是简短的、模糊的并且依赖于上下文。针对这些研究挑战，本文的研究工作主要集中在：1）会话主体的话语主题和意图分类; 2）Web搜索引擎的查询意图挖掘和分类，主要针对电子商务领域。为了解决第一个问题，我提出了新的模型，将实体信息和会话上下文线索，以预测用户的话语的主题和意图。对于第二个研究主题，我计划将现有的Web搜索意图预测方法扩展到电子商务领域，通过：1）开发一个联合学习模型来预测搜索查询的意图和与之相关的产品类别，2）发现新的隐藏用户的意图。所有的模型都将在一个主要的电子商务网站搜索引擎的真实查询上进行评估。来自这些研究的结果可以被利用来提高各种任务的性能，诸如自然语言理解、查询范围确定、查询建议和排名，从而产生丰富的用户体验。
2020-07-08 cs.CL cs.IR
Interpreting search result rankings through intent modeling
鉴于最近的兴趣，可以说是准确的，但不可解释的神经模型，即使与文本特征，文档排序，我们试图回答有关如何解释排名的问题。在本文中，我们采取的第一个步骤对检索模型的可解释性框架的目的是回答3个主要问题“什么是查询的意图，根据排名？“，“为什么一个文档在查询中的排名高于另一个？“和“为什么一个文件与查询相关？“我们的框架是基于这样一个假设，即基于文本的检索模型行为可以使用查询扩展结合一个更简单的检索模型来估计，而不管底层的排名。我们使用Cocktail Web测试集合进行了实验。我们展示了我们的方法如何使用封闭形式符号（允许我们测量解释的准确性）和神经排名模型来实现更简单的模型。我们的研究结果表明，我们确实可以解释更复杂的模型，在某些简化的假设下具有合理的准确性。在一个案例研究中，我们还表明，我们的框架可以用来解释DRMM神经检索模型在各种情况下的结果。
2018-09-13 cs.IR
LiveSketch: Query Perturbations for Guided Sketch-based Visual Search
University of Surrey（萨里大学）；Adobe Research（Adobe研究院）
LiveSketch是一种使用手绘查询搜索大型图像集的新算法。LiveSketch通过创建可视化建议来解决草图搜索的固有模糊性，这些建议在绘制查询时增加查询，使查询规范成为一个迭代而不是一次性的过程，有助于消除用户搜索意图的模糊性。我们的技术贡献是：三重convnet架构，其结合了基于RNN的变分自编码器以使用向量（基于笔划）查询来搜索图像;实时聚类以识别可能的搜索意图（以及因此，搜索嵌入内的目标）;以及使用来自这些目标的反向传播来扰动输入笔划序列，从而建议对查询的更改以引导搜索。我们使用67 M图像语料库显示了在准确性和任务时间方面的改进。
2019-04-14 cs.AI cs.CV cs.IR
Differentiable Retrieval Augmentation via Generative Language Modeling for E-commerce Query Intent Classification
针对检索器与下游模型异步训练导致的性能下降问题，提出可微检索增强方法Dragan，通过可微重构实现端到端联合训练，在电商查询意图分类的离线与在线实验中均显著优于基线。
2023-09-15 cs.CL cs.IR
Reason to Retrieve: Enhancing Query Understanding through Decomposition and Interpretation
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Baidu Inc.（百度公司）；University of Amsterdam（阿姆斯特丹大学）
ReDI通过分解与解释增强查询理解，有效提升长形式复杂查询的检索性能。
2026-02-10 cs.IR
AI Guided Accelerator For Search Experience
eBay Inc（eBay公司）
本工作提出一个框架，通过挖掘eBay用户查询轨迹建模过渡查询，并利用大语言模型生成意图保持的替代查询，以增强电子商务搜索中的相关搜索和意图聚类轮播，实证显示转化和参与度提升。
2025-10-16 cs.IR cs.LG
Can Synthetic Query Rewrites Capture User Intent Better than Humans in Retrieval-Augmented Generation?
本文提出合成数据驱动的查询重写模型 SynRewrite，利用 GPT-4o 生成训练数据、微调 Flan-T5 并结合 DPO 优化，在检索与生成任务上超越人工重写。
2025-09-26 cs.CL cs.IR
QUILL: Query Intent with Large Language Models using Retrieval Augmentation and Multi-stage Distillation
Google Research（谷歌研究院）；Google（谷歌）
大语言模型（LLM）在各种文本理解任务上显示出令人印象深刻的结果。然而，搜索查询却构成了一个独特的挑战，因为它们的长度很短，缺乏细微差别或上下文。复杂的特征工程工作并不总是导致下游的改进，因为它们的性能优势可能会被知识蒸馏的复杂性增加所抵消。因此，在本文中，我们做出了以下贡献：（1）我们证明了检索增强查询提供LLM有价值的额外的上下文，从而提高理解。虽然检索增强通常会增加LM的延迟（从而损害蒸馏效率），（2）我们提供了一种实用且有效的蒸馏检索增强LLM的方法。具体来说，我们使用了一种新的两阶段蒸馏方法，使我们能够进行检索增强的收益，而不会遭受通常与之相关的计算增加。（3）我们证明了所提出的方法（QUILL）的好处在十亿规模，现实世界的查询理解系统，从而产生巨大的收益。通过广泛的实验，包括公共基准测试，我们相信这项工作提供了一个实用的检索增强查询理解的配方。
2022-10-27 cs.CL cs.IR
Clarify-Then-Search: A Clarification Benchmark for Deep Search with End-to-End Nugget Restoration
University of Science and Technology of China（中国科学技术大学）；Baidu Inc.（百度公司）
该研究提出 Clarify-Then-Search 基准，评估 LLM 生成的澄清问题对深度搜索效用的提升，实验显示 k=1 时澄清优于基线，GPT-5.2 和 ERNIE-4.5-Turbo-128K 分别在 k=1、k=3 时表现最佳。
2026-08-24 cs.AI cs.IR
Shareable Representations for Search Query Understanding
Amazon Search Science and AI（亚马逊搜索科学与人工智能部门）
了解搜索查询对于购物搜索引擎提供满意的客户体验至关重要。流行的购物搜索引擎每年接收数十亿个独特的查询，每个查询都可以描述数百个用户偏好或意图中的任何一个。为了得到正确的结果给客户，它必须是已知的查询，如“便宜的舞会礼服”不仅是为了表面的结果，一定的产品类型，但也产品具有较低的价格。被称为查询意图，示例还包括对作者、品牌、年龄组的偏好，或者仅仅是对客户服务的需求。最近的工作，如BERT已经证明了一个大型Transformer编码器架构的成功，该架构具有对各种NLP任务进行语言模型预训练的能力。我们适应这样的架构来学习搜索查询的意图，并描述方法来解释搜索查询数据的噪声和稀疏性。我们还描述了在具有低延迟要求的上下文中托管Transformer编码器模型的成本有效的方法。通过正确的特定于领域的训练，我们可以构建一个可共享的深度学习模型，其内部表示可以重用于各种查询理解任务，包括查询意图识别。模型共享允许在推理时需要更少的大型模型，并提供了一个平台来快速构建和转出新的搜索查询分类器。
2019-12-20 cs.CL cs.IR cs.LG
Query Implied Generative Engine Optimization
San Jose State University（圣何塞州立大学）
本文提出查询隐含的生成引擎优化（QI-GEO），直接从文档推断用户意图，无需显式查询，在GEO-Bench上显著提升内容可见性，客观分数最高提升15.9%，主观分数最高提升17.6%。
2026-09-24 cs.AI cs.IR cs.LG
AI Enhanced Ontology Driven NLP for Intelligent Cloud Resource Query Processing Using Knowledge Graphs
本文提出一种AI增强的基于本体的NLP框架，利用知识图谱和LSI实现云资源查询的意图提取与相关性排序，以解决传统搜索无法理解自然语言意图的问题。
2025-02-10 cs.AI cs.IR
Hybrid Semantic Search: Unveiling User Intent Beyond Keywords
Innoplexus Consulting Services Pvt Ltd（Innoplexus咨询服务私人有限公司）
本文提出融合关键词匹配、语义向量嵌入与LLM结构化查询的混合语义搜索框架，以捕捉显隐式用户意图并优化查询执行，提升搜索结果的相关性、全面性与准确性。
2024-09-06 cs.AI cs.IR
Query Understanding via Entity Attribute Identification
理解搜索者的查询是语义搜索系统的重要组成部分。在许多情况下，搜索查询涉及知识库（KB）中的实体的特定属性，其可以进一步用于找到查询答案。在这项研究中，我们的目标是通过从知识库中识别相关实体属性来推进对查询的理解。为此，我们引入了实体属性识别的任务，并提出了两种方法来解决它：（i）基于马尔可夫随机场的模型，（ii）学习排序模型。我们开发了一个人类注释的测试集合，并表明我们提出的方法可以带来显着的改进基线方法。
2018-09-23 cs.IR
Diversification as Risk Minimization
针对模糊查询中少数意图被忽视的问题，提出将多样化视为风险最小化，通过VRisk度量并利用VRisker贪心重排序器优化，在三个数据集上最多降低33%最坏意图失败率，仅牺牲2%平均性能。
2025-10-26 cs.IR
A Semi-supervised Multi-channel Graph Convolutional Network for Query Classification in E-commerce
针对电商查询分类中点击后验标签导致的类别不平衡与标签不稳定问题，本文提出半监督多通道图卷积网络SMGCN，融合查询-类别相似度及类别共现、语义图，并通过离线与在线A/B实验验证其优越效果。
2024-08-04 cs.AI cs.CL cs.IR
ConQueR: Contextualized Query Reduction using Search Logs
本文提出使用预训练语言模型的ConQueR方法，通过核心词项提取和子查询选择两种视角缩减冗长查询，并在真实搜索日志上实现高达8.45%的精确匹配提升。
2023-05-22 cs.IR
REVISION:Reflective Intent Mining and Online Reasoning Auxiliary for E-commerce Visual Search System Optimization
提出REVISION框架，通过整合离线推理挖掘与在线决策，优化电商视觉搜索系统，提升意图挖掘效率并降低无点击率。
2026-03-04 cs.AI cs.CL cs.IR
When Does Streaming Tool Use Help? Characterizing Tool-Intent Stabilization in Streaming Retrieval-Augmented Generation
SMG Labs（SMG实验室）
通过测量工具意图稳定化（即推测查询收敛到答案的时间点），在CRAG基准上分析流式RAG的延迟隐藏效果，发现73.9%的查询可实现显著延迟隐藏，并识别早期与晚期稳定化的预测因素。
2026-06-23 cs.CL cs.IR
Why People Search for Images using Web Search Engines
人类与图像搜索引擎交互的意图或目标是什么？了解人们为什么搜索图像是Web图像搜索引擎的主要关注点，因为用户满意度可能会随着意图的变化而变化。以前对图像搜索行为的分析大多是基于查询的，重点是人们搜索什么图像，而不是基于意图的，即人们为什么搜索图像。到目前为止，还没有深入的调查如何不同的图像搜索意图影响用户的搜索行为。在本文中，我们解决了以下问题：（1）为什么人们在基于文本的Web图像搜索系统中搜索图像？（2）图像搜索行为如何随用户意图而变化？（3）我们能否从搜索会话早期的交互中有效地预测用户意图？为此，我们进行了基于实验室的用户研究和商业搜索日志分析。我们表明，用户在图像搜索的意图可以分为三类：探索/学习，娱乐，定位/获取。我们基于实验室的用户研究揭示了不同的用户行为模式下，这三个意图，如第一次点击时间，查询重构，停留时间和鼠标移动的结果页面。在图像搜索会话的早期阶段，即鼠标滚动之前，基于用户交互功能，我们开发了一个意图分类器，该分类器能够实现将意图分类到我们的三个意图类中的有希望的结果。考虑到所有特征都可以在线且不显眼地获得，预测的意图可以为在滚动之后立即选择排名方法提供指导。
2017-11-27 cs.IR
Leveraging LLM-Assisted Query Understanding for Live Retrieval-Augmented Generation
Renmin University of China（中国人民大学）
本文提出 Omni-RAG 框架，通过 LLM 辅助的查询理解模块（查询去噪与分解、意图感知检索、重排序与生成），提升实时 RAG 系统处理含噪及多意图查询的鲁棒性。
2025-06-26 cs.AI cs.CL cs.IR
LLM-based Weak Supervision Framework for Query Intent Classification in Video Search
针对视频搜索查询意图分类中高质量标注数据匮乏的问题，提出基于LLM的弱监督框架，通过提示工程、多角色设定、领域知识融入及角色路由机制生成标注数据，训练低延迟模型，在召回率和标注一致性上显著优于基线。
2024-09-13 cs.IR
Towards an Understanding of Entity-Oriented Search Intents
University of Stavanger（斯塔万格大学）
面向智能的搜索处理各种各样的信息需求，从显示直接答案到与服务交互。在这项工作中，我们的目标是了解什么是突出的面向实体的搜索意图，以及如何实现它们。我们开发了一个实体意图类别的方案，并使用它们来注释查询的样本。具体来说，我们在实体类型级别上注释唯一的查询细化器。我们观察到，平均而言，超过一半的精炼者寻求与服务交互，而超过四分之一的精炼者搜索可以在知识库中查找的信息。
2018-02-22 cs.AI cs.CL cs.IR
Semantic Equivalence of e-Commerce Queries
Ebay Inc.（易趣公司）
本文提出一个结合表面规范化和历史行为相似性的框架，用于识别电子商务查询的语义等价性，并通过离线训练与在线最近邻方法在查询相似性上达到0.85的Pearson相关系数，优于主流句子变换器模型。
2023-08-07 cs.CL cs.IR cs.LG
Generate-then-Retrieve: Intent-Aware FAQ Retrieval in Product Search
Amazon.com, Inc.（亚马逊公司）
针对商品搜索中的信息寻求查询，提出由意图分类器和查询改写模型组成的意图感知 FAQ 检索系统，显著提升准确率、降低延迟并获得用户正向反馈。
2023-06-06 cs.AI cs.CL cs.IR
Exposing Query Identification for Search Transparency
Carnegie Mellon University（卡内基梅隆大学）；Microsoft（微软）；University College London（伦敦大学学院）；Mila Quebec Artificial Intelligence Institute（米拉魁北克人工智能研究所）；Max Planck Institute for Security and Privacy（马克斯·普朗克安全与隐私研究所）
搜索系统控制排名内容对搜索者的暴露。在许多情况下，创作者不仅重视其内容的曝光，而且还重视对内容出现的特定搜索的理解。识别哪些查询在排名结果中暴露了给定的内容片段的问题是一个重要的且相对未被探索的搜索透明度挑战。暴露查询对于量化搜索偏差、隐私、数据保护、安全和搜索引擎优化的各种问题是有用的。在给定系统中暴露查询的精确识别在计算上是昂贵的，特别是在诸如web搜索的动态上下文中。我们探讨了近似暴露查询识别（EQI）作为检索任务的可行性，通过颠倒查询和文档在两类搜索系统中的作用：密集的双编码器模型和传统的BM 25模型。然后，我们提出了如何通过检索嵌入空间的度量学习来改进这种方法。我们进一步推导出一个评估指标来衡量暴露查询的排名质量，以及进行实证分析，侧重于近似EQI的各个实际方面。总的来说，我们的工作有助于一个新的概念，在搜索系统的透明度和计算手段实现它。
2022-04-11 cs.AI cs.IR cs.LG
Leveraging Catalog Knowledge Graphs for Query Attribute Identification in E-Commerce Sites
数百万人使用在线电子商业平台搜索和购买产品。识别查询中的属性是将用户连接到相关项目的关键组件。然而，在许多情况下，查询具有多个属性，并且其中一些属性将彼此冲突。例如，查询“maroon 5 dvd”具有两个候选属性，颜色“maroon”或波段“maroon 5”，其中只能存在属性中的一个。在本文中，我们解决的问题，解决冲突的属性在电子商业查询。这个问题的一个挑战是，用于理解Web查询的知识库（如Wikipedia）并不关注电子商业领域。然而，电子商业搜索引擎可以访问包含关于物品及其属性的详细信息的目录。我们提出了一个框架，从目录构建知识图谱，以解决冲突的属性在电子商业查询。我们在电子商业平台上的真实查询实验表明，利用目录信息解决冲突的属性显着提高属性识别，也给出了更多的相关搜索结果。
2018-07-13 cs.IR
BloomIntent: Automating Search Evaluation with LLM-Generated Fine-Grained User Intents
BloomIntent提出以细粒度用户意图为评估单元的搜索评估方法，利用大语言模型自动生成意图并评估搜索结果满意度，与专家一致性达72%，支持发现未被充分服务的用户需求。
2025-09-23 cs.HC cs.IR
Still Haven't Found What You're Looking For -- Detecting the Intent of Web Search Missions from User Interaction Features
网络搜索是最常见的在线活动之一。而传统的信息检索技术的重点是用户查询背后的信息需求，以前的工作表明，用户的行为和互动可以提供重要的信号，了解潜在的意图的搜索任务。一种既定的分类法区分了事务性、导航性和信息性搜索任务，后者特别涉及学习目标，即获取关于特定主题的知识的意图。我们引入了一个监督的方法，通过利用一系列的功能，从用户的互动过程中的在线搜索任务的在线搜索任务分类到这些类别。将我们的模型应用于真实世界的查询日志数据集，我们发现搜索任务可以以63%的平均F1得分和69%的准确率进行分类，而信息和导航任务的性能特别有希望（F1>75%）。这表明在在线搜索期间利用这种监督分类的潜力，以更好地促进检索和排名，以及改善附属服务，例如有针对性的在线广告。
2022-07-04 cs.HC cs.IR
Agentic Search in the Wild: Intents and Trajectory Dynamics from 14M+ Real Search Requests
Carnegie Mellon University Pittsburgh PA US；INESC-ID, Carnegie Mellon University Pittsburgh PA US；INESC-ID, Instituto Superior T\'ecnico, University of Lisbon Lisbon Portugal；NOVA LINCS\ University Lisbon Caparica Portugal；Carnegie Mellon University；INESC-ID, Carnegie Mellon University；INESC-ID, Instituto Superior T\'ecnico, University of Lisbon；NOVA LINCS\ University Lisbon
本文分析了1400万次真实搜索请求，揭示了代理搜索会话中的行为模式，包括步骤数、时间间隔及查询重构的可追溯性，为重复敏感停止和意图适应检索预算提供信号。
2026-04-28 cs.CL cs.IR
