An Extended Relevance Model for Session Search
会话搜索任务的目的是最好地服务于用户的信息需要,她以前的搜索行为在会话期间。我们提出了一个扩展的相关性模型,捕捉用户的动态信息需要在会话中。我们的相关性建模方法直接由用户的查询重新表述(更改)决策以及对用户搜索行为对此类决策影响程度的估计驱动。总体而言,我们证明,所提出的方法显着提高会话搜索性能。
2017-06-07 cs.IR
Similarity-Based Supervised User Session Segmentation Method for Behavior Logs
The University of Electro-Communications(电气通信大学)
本研究提出一种基于相似度特征的监督式会话分割方法,利用嵌入和属性计算相似度,训练分类模型预测边界,在真实数据上LightGBM取得最佳性能,有效捕捉动态用户行为。
2025-10-17 cs.IR
Session-aware Information Embedding for E-commerce Product Recommendation
现有的推荐系统大多假设用户的访问历史可以被持续记录。然而,在最近的在线服务中,用户标识通常可能是未知的,并且只能使用有限的在线用户行为。对用户的时间行为进行建模,并对匿名用户进行推荐具有重要意义。在本文中,我们提出了一个列表式的深度神经网络为基础的架构,在每个会话中的有限的用户行为建模。为了有效地训练模型,我们首先设计了一个会话嵌入方法来预训练一个会话表示,它包含了不同类型的用户搜索行为,如点击和查看。基于学习的会话表示,我们进一步提出了一个列表式的排名模型来生成每个匿名用户会话的推荐结果。我们对一家电子商业公司最近发布的数据集进行了定量实验。评估结果验证了所提出的方法的有效性,它可以显着优于最先进的。
2017-11-20 cs.IR
Enhancing User Behavior Sequence Modeling by Generative Tasks for Session Search
用户的搜索任务变得越来越复杂,需要多次查询和与结果的交互。最近的研究表明,对会话中的历史用户行为进行建模可以帮助理解当前的搜索意图。现有的上下文感知排名模型主要编码当前会话序列(从第一个行为到当前查询),并使用高级表示来计算排名分数。然而,在当前会话序列中通常存在一些噪声(用于推断搜索意图的无用行为),其可能影响编码表示的质量。为了帮助编码的当前用户行为序列,我们建议使用一个解码器和未来序列的信息和补充查询。具体来说,我们设计了三个生成任务,可以帮助编码器推断实际的搜索意图:(1)预测未来的查询,(2)预测未来点击的文档,以及(3)预测补充查询。我们使用编码器-解码器结构化方法联合学习排名任务和这些生成任务。在两个公共搜索日志上的大量实验表明,我们的模型优于所有现有的基线,设计的生成任务实际上可以帮助排名任务。此外,实验还表明,该方法可以很容易地应用到各种基于transformer的编解码器模型,并提高其性能。
2022-08-23 cs.IR
KAST: Knowledge Aware Adaptive Session Multi-Topic Network for Click-Through Rate Prediction
捕捉用户兴趣的演变趋势对于推荐系统和广告系统都很重要,并且用户行为序列已经成功地用于点击率(CTR)预测问题。然而,如果基于项目级行为来学习用户兴趣,则性能可能受到以下两个问题的影响。首先,由于用户行为可能是多样的,一些偶然的离群值可能被包括在行为序列中。其次,用户行为之间的时间间隔跨度是随机和不规则的,对于这一点,从NLP中采用的基于RNN的模块不是完全自适应的。为了解决这两个问题,我们提出了知识感知的自适应会话多主题网络(KAST)。该算法能够自适应地将用户会话从整个用户行为序列中分割出来,并在同一会话中保持相似的意图。此外,为了提高会话分割和表示的质量,引入了知识感知模块,使得可以以端到端的方式从用户-项目交互中提取结构信息,并且将基于这些信息的边际损失合并到主要损失中。通过在公共基准上的大量实验,我们证明了KAST可以实现比最先进的CTR预测方法更优越的性能,并对关键模块和超参数进行了评估。
2022-10-07 cs.IR
Micro-Behavior Encoding for Session-based Recommendation
基于会话的推荐(SR)的目的是预测下一个项目的推荐基于先前记录的用户交互会话。大多数现有的SR方法集中在建模的项目的过渡模式。在这样的模型中,所谓的微行为描述了用户如何定位物品并对其执行各种活动(例如,单击、添加到购物车和阅读评论)被简单地忽略。最近的一些研究试图将微观行为的序列模式纳入SR模型。然而,这些顺序模型仍然不能有效地捕捉微观行为操作之间的所有固有的相互依赖性。在这项工作中,我们的目标是系统地研究SR中的微观行为信息的影响。具体来说,我们确定了两种不同的模式的微观行为:“序列模式”和“二元关系模式”。为了建立一个统一的用户微观行为模型,我们首先设计了一个多重图,通过一个图神经网络聚合来自不同项目的序列模式,然后利用一个扩展的自注意网络来开发微观行为的成对关系模式。在三个公开的真实世界数据集上进行的大量实验表明,所提出的方法优于最先进的基线,并证实了这两种不同的微观行为模式对SR的有用性。
2022-04-05 cs.IR
Neural Attentive Session-based Recommendation
针对用户简档不可见的电子商务场景,提出了基于会话的推荐方法,利用短会话生成推荐结果。以前的工作只考虑用户在当前会话中的顺序行为,而用户在当前会话中的主要目的没有得到强调。在本文中,我们提出了一种新的神经网络框架,即,神经注意力推荐机(NARM)解决了这个问题。具体来说,我们探索了一种混合编码器与注意力机制来模拟用户的顺序行为,并捕捉用户在当前会话中的主要目的,这是作为一个统一的会话表示后。然后,我们根据这个统一的会话表示,使用双线性匹配方案计算每个候选项的推荐评分。我们通过共同学习项目和会话表示以及它们的匹配来训练NARM。我们在两个基准数据集上进行了广泛的实验。我们的实验结果表明,NARM在这两个数据集上的表现都优于最先进的基线。此外,我们还发现,NARM实现了显着的改善长会话,这表明它的优势,同时建模用户的顺序行为和主要目的。
2017-11-13 cs.IR
Session-Based Recommendation by Exploiting Substitutable and Complementary Relationships from Multi-behavior Data
本文提出SCRM方法,通过联合点击与购买行为构建可替代和互补图,并利用去噪网络与约束损失函数优化关系建模,从而提升基于会话的推荐效果。
2024-01-14 cs.IR
Exploiting Group-level Behavior Pattern forSession-based Recommendation
基于会话的推荐(SBR)是一个具有挑战性的任务,其目的是根据匿名行为序列预测用户的未来兴趣。现有方法利用强大的表示学习方法将会话编码到低维空间中。然而,尽管取得了这些成就,所有现有的研究都集中在实例级会话学习,而忽略了组级用户的偏好,这是重要的用户行为建模。为此,我们提出了一种新的重复感知神经机制,基于会话的推荐(RNMSR)。在RNMSR中,我们提出分别从实例级和组级学习用户偏好:(i)实例级,在基于相似性的项目成对会话图上使用GNN来捕获实例级的用户偏好。(ii)组级,将会话转换为组级行为模式,以模拟组级用户的偏好。在RNMSR中,我们结合实例级用户偏好和组级用户偏好来建模用户的重复消费,\ie用户是否进行重复消费以及用户偏好哪些项目。在三个真实世界的数据集上进行了大量的实验,\ie Diginetica,Yoochoose和Nowplaying,表明所提出的方法在所有测试中始终达到最先进的性能。
2021-06-01 cs.IR
Session-Level Optimization for Large-Scale Retrieval using REINFORCE with Multi-Step Off-Policy Correction
AI VK;HSE University(高等经济学院)
将推荐视为会话级序贯决策问题,用离策略REINFORCE在预收集数据上训练生成式检索器,提出多步重要性权重近似,训练用户反馈模型用于离线评估,引入测试时缩放程序,实验表明方法能改进离线估计。
2026-07-28 cs.IR
Rich-Media Re-Ranker: A User Satisfaction-Driven LLM Re-ranking Framework for Rich-Media Search
SKLCCSE, School of Computer Science and Engineering Beihang University(北京航空航天大学计算机科学与工程学院);Baidu Inc(百度公司)
本文提出Rich-Media Re-Ranker框架,通过多维细粒度建模提升用户搜索满意度,整合丰富侧信息和视觉信号,通过多任务强化学习增强系统适应性,实验证明其优于现有方法。
2026-08-18 cs.IR
WHOSE - A Tool for Whole-Session Analysis in IIR
交互式信息检索(IIR)评价的主要挑战之一是开发和应用可重用的工具,使研究人员能够分析真实用户在不同环境和不同领域的搜索行为,但结果具有可比性。此外,IIR最近更多地关注整个会话的分析,其中包括在会话内执行的所有用户交互,也包括同一用户在多个会话中执行的所有用户交互。已经提出了一些框架的控制实验在IIR的评价,但还没有框架可用于从现实世界的信息检索(IR)系统与真实用户的搜索行为的交互式评价。在本文中,我们提出了一个框架,也可以利用这些不受控制的数据集的整个会话评估。日志记录组件可以轻松集成到现实世界的IR系统中,以生成和分析新的日志数据。此外,由于补充映射,还可以分析现有的日志数据。对于每个IR系统,可以定义不同的动作和过滤器。这使得系统运营商和研究人员可以使用该框架来分析IR系统中的用户搜索行为,并将其与其他系统进行比较。使用图形用户界面,他们可以交互式地探索数据集,从广泛的概述到单独的会话。
2015-04-27 cs.IR
UnifiedSSR: A Unified Framework of Sequential Search and Recommendation
提出统一框架UnifiedSSR,通过双分支网络联合学习搜索与推荐场景的用户行为历史,并设计面向意图的会话建模模块捕捉动态意图,在三个数据集上显著优于现有方法。
2023-10-21 cs.IR
Evaluation of a Search Interface for Preference-Based Ranking -- Measuring User Satisfaction and System Performance
在线查找产品对用户来说可能是一项具有挑战性的任务。分面搜索界面,通常与搜索引擎相结合,可以帮助用户找到符合他们偏好的产品。然而,这些偏好并不总是平等的权重:有些偏好对用户来说可能比其他偏好更重要(例如红色是最喜欢的颜色,但蓝色也很好),有时偏好甚至是矛盾的(例如最低价格与最高性能)。通常情况下,甚至没有一种产品能满足所有的偏好。在这些情况下,分面搜索界面达到了极限。在我们的研究中,我们调查了搜索界面的潜力,它允许基于加权搜索和方面的条款的偏好为基础的排名。我们对24名参与者进行了用户研究,并测量了用户满意度和系统性能。结果表明,与基于偏好的搜索界面的用户被赋予更多的选择,最好地满足他们的喜好,他们更满意所选择的产品比使用标准方面的搜索界面。此外,在这项工作中,我们研究了用户满意度和搜索精度之间的关系,在整个搜索会话,并发现第一个迹象表明,它们之间可能有关系。
2023-02-13 cs.HC cs.IR
Contrastive Pre-training for Deep Session Data Understanding
针对电商会话中粗粒度商品序列忽略文本与动作细粒度信息的问题,提出两阶段对比预训练通用 UBM,并在多个下游任务及稀疏数据上验证其性能与鲁棒性。
2024-03-05 cs.IR
Incorporating User Micro-behaviors and Item Knowledge into Multi-task Learning for Session-based Recommendation
Fudan University(复旦大学)
基于会话的推荐(SR)已经成为各种电子商务平台的重要和流行的组件,其目的是基于给定的会话预测下一个交互项目。现有的SR模型大多只关注于利用会话中某个用户交互的连续项目来捕捉项目间的转换模式。虽然其中一些已经被证明是有效的,但以下两个见解往往被忽视。首先,用户的微行为,诸如用户定位项目的方式、用户在项目上提交的活动(例如,阅读评论,添加到购物车),提供对用户偏好的细粒度和深入的理解。第二,项目属性,也称为项目知识,提供侧信息来建模交互项目之间的转换模式,并缓解数据稀疏问题。本文提出了一种新的SR模型MKM-SR,将用户微观行为和项目知识结合到基于会话的推荐的多任务学习中。具体地,给定会话在MKM-SR中的微行为级别上建模,即,使用项目-操作对的序列而不是项目的序列,以充分地捕获会话中的转换模式。此外,我们提出了一个多任务的学习范式,涉及学习知识嵌入,它起着辅助任务的作用,以促进SR的主要任务。它使我们的模型,以获得更好的会话表示,从而产生更精确的SR推荐结果。在两个基准数据集上的广泛评估表明MKM-SR的优越性超过了最先进的SR模型,证明了纳入知识学习的策略。
2020-06-12 cs.IR cs.LG
SimEval-IR: A Unified Toolkit and Benchmark Suite for Evaluating User Simulators and Search Sessions
University of Passau(帕绍大学)
本文提出SimEval-IR,一个统一的工具包和基准测试套件,用于评估用户模拟器和搜索会话的行为真实性和测试者可靠性,通过三个可执行基准和四个真实数据集的基线结果展示其贡献。
2026-04-30 cs.IR
An Adjustable Heat Conduction based KNN Approach for Session-based Recommendation
KNN方法由于其高效性、鲁棒性和可解释性而被广泛应用于推荐系统中,最近被提出用于基于会话的推荐,并优于递归神经网络模型。它通过考虑交互时间来捕获项目的最近共现信息。但该方法忽略了交互时间较早的历史行为中项目的共现信息,无法区分不同流行度的项目和会话的影响。由于这些观察,本文提出了一种新的上下文KNN方法来解决这些问题,基于会话的推荐。具体而言,提出了一种基于扩散的相似性方法来考虑会话-项目二分网络中顶点的流行度,并提出了一种候选选择方法来有效地捕获与同一会话中不同历史点击项目共现的项目。在三个基准数据集上进行了全面的实验,以证明我们的KNN方法在基于会话的推荐中的有效性。
2018-07-16 cs.IR
Global Context Enhanced Graph Neural Networks for Session-based Recommendation
基于会话的推荐(SBR)是一个具有挑战性的任务,其目的是基于匿名的行为序列来推荐项目。现有的SBR模型用户偏好的解决方案几乎都是基于当前会话而不利用其他会话,这些会话可能包含与当前会话相关和不相关的项目转换。本文提出了一种新的方法,称为全局上下文增强的图神经网络(GCE-GNN),利用项目过渡在所有会话中,以更微妙的方式,更好地推断用户的偏好,当前会话。具体来说,GCE-GNN分别从会话图和全局图中学习两个级别的项嵌入:(i)会话图,通过对当前会话内的成对项转换进行建模来学习会话级别的项嵌入;(ii)全局图,通过对所有会话上的成对项转换进行建模来学习全局级别的项嵌入。在GCE-GNN中,我们提出了一种新的全局级项目表示学习层,该层采用会话感知的注意力机制来递归地合并全局图上每个节点的邻居嵌入。我们还设计了一个会话级项目表示学习层,它在会话图上使用GNN来学习当前会话中的会话级项目嵌入。此外,GCE-GNN聚合的学习项目表示在两个层次的软注意力机制。在三个基准数据集上的实验表明,GCE-GNN始终优于最先进的方法。
2021-06-09 cs.IR
Mining Interest Trends and Adaptively Assigning SampleWeight for Session-based Recommendation
针对会话推荐中忽略用户偏好与交互顺序关系及样本重要性差异的问题,提出MTAW方法,通过建模即时兴趣并捕捉其变化趋势,结合动态加权损失函数,在两个基准数据集上验证了有效性。
2023-06-20 cs.IR
Incorporating Clicks, Attention and Satisfaction into a Search Engine Result Page Evaluation Model
现代搜索引擎的结果页面通常为用户提供即时价值,并以易于导航的方式组织信息。核心排名功能有助于实现这一点,结果片段,结果块的智能组织以及对一箱答案或侧面板的广泛使用也是如此。虽然它们对用户有用,并帮助搜索引擎脱颖而出,但这些功能对评估提出了两大挑战。首先,在搜索引擎结果页面(SERP)上存在这样的元素可能会导致点击的缺失,然而,这与不满意无关,即所谓的“良好放弃”。“其次,SERP项目的非线性布局和视觉差异可能会导致用户注意力的非平凡模式,这是现有评估指标无法捕捉的。在本文中,我们提出了一个模型,共同捕捉点击行为,用户注意力和满意度,CAS模型的SERP用户行为,并证明它提供了更准确的预测用户的行动和自我报告的满意度比现有的模型的基础上点击单独。我们使用CAS模型来构建一个新的评估指标,该指标可应用于非线性SERP布局,并可考虑用户直接在SERP上获得的效用。我们证明,这个指标显示出更好的协议与用户报告的满意度比传统的评价指标。
2016-09-02 cs.IR
Learned Ranking Function: From Short-term Behavior Predictions to Long-term User Satisfaction
Google Inc(谷歌公司);Google DeepMind(谷歌DeepMind);University of California, Davis(加利福尼亚大学戴维斯分校)
本研究提出学习型排序函数LRF,将推荐问题建模为 slate 优化问题以提升长期用户满意度,还设计了新型约束优化算法稳定多目标权衡,并已在 YouTube 部署验证。
2024-08-12 cs.AI cs.IR cs.LG
Self-Supervised Graph Co-Training for Session-based Recommendation
基于会话的推荐通过利用短时间内的用户行为来预测下一项。与其他推荐模式相比,基于会话的推荐更容易受到数据稀疏性问题的影响,这是由于非常有限的短期交互。自监督学习可以从原始数据中发现真实样本,在解决这一问题方面具有巨大的潜力。然而,现有的自监督推荐模型主要依赖于项目/片段的丢弃来增加数据,这不适合基于会话的推荐,因为丢弃会导致数据稀疏,产生不可用的自监督信号。在本文中,信息会话为基础的数据增强,我们结合自监督学习与协同训练,然后开发一个框架,以提高基于会话的推荐。从技术上讲,我们首先利用基于会话的图来增强展示会话的内部和外部连接性的两个视图,然后我们在这两个视图上构建两个不同的图编码器,它们递归地利用不同的连接性信息来生成地面实况样本,以通过对比学习来监督彼此。与dropout策略相比,所提出的自监督图协同训练保留了完整的会话信息,并实现了真正的数据增强。在多个基准数据集上进行的大量实验表明,在自监督图协同训练机制下,基于会话的推荐可以得到显著增强,达到最先进的性能。
2021-08-24 cs.IR
Exploring Global Information for Session-based Recommendation
基于会话的推荐(SBR)是一个具有挑战性的任务,其目的是基于匿名的行为序列来推荐项目。现有的SBR研究大多只根据当前会话对用户偏好进行建模,而忽略了其他会话的项目转换信息,无法对复杂的项目转换模式进行建模。为了解决这些问题,我们引入了全局项转移信息来加强动态项转移的建模。为了充分利用SBR的全局项转移信息,本文研究了两种挖掘SBR全局信息的方法。具体来说,我们首先提出了一个基本的GNN为基础的框架(BGNN),它只使用会话图的会话级项目转换信息。基于BGNN,本文提出了一种新的基于全局信息的会话推荐方法(SRGI),该方法从两个不同的角度,通过充分探索所有会话上的全局项转移来推断用户偏好:(i)基于融合的模型(SRGI-FM),该模型将全局图上每个节点的邻居嵌入递归地结合到会话级项表示的学习过程中;(ii)基于约束的模型(SRGI-CM),它将全局级的项转换信息作为约束,以确保学习到的项嵌入与全局项转换一致。在三个流行的基准数据集上进行的大量实验表明,SRGI-FM和SRGI-CM的性能始终优于最先进的方法。
2021-06-01 cs.IR
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
Auditing Search Engines for Differential Satisfaction Across Demographics
许多在线服务,如搜索引擎、社交媒体平台和数字市场,都被宣传为可供任何用户使用,而不管他们的年龄、性别或其他人口统计因素。然而,人们越来越担心,这些服务可能系统地对某些用户群体服务不足。在本文中,我们提出了一个框架,内部审计等服务的差异,在用户满意度的人口群体,使用搜索引擎作为案例研究。我们首先解释了天真地比较通常用于评估搜索引擎的行为指标的陷阱。然后,我们提出了三种方法来衡量潜在的差异,用户满意度从观察到的评价指标的差异。为了开发这些方法,我们借鉴了因果推理文献和多层次建模文献的思想。我们的框架广泛适用于其他在线服务,并提供了一般的洞察力来解释他们的评估指标。
2017-05-24 cs.IR
SDM: Sequential Deep Matching Model for Online Large-scale Recommender System
获取用户的精确偏好是大规模推荐系统的一个基本问题。目前,基于项目的协同过滤(CF)方法是工业界常用的匹配方法。然而,它们不能有效地对用户的动态和不断变化的偏好进行建模。在本文中,我们提出了一个新的顺序深度匹配(SDM)模型,通过结合短期会话和长期行为来捕获用户的动态偏好。与现有的序列感知推荐方法相比,我们解决了以下两个实际应用中的固有问题:(1)在一个会话中可能存在多个兴趣倾向。(2)长期偏好可能无法有效地与当前会话兴趣融合。长期行为是多样的、复杂的,因此与短期会话高度相关的行为应该被保留以进行融合。我们建议编码行为序列与两个相应的组件:多头自我注意模块捕捉多种类型的利益和长期-短期门控融合模块,将长期的喜好。在序列用户行为向量和项目嵌入向量之间进行匹配后,推荐连续项目。真实世界数据集上的离线实验表明,所提出的SDM的优越性能。此外,SDM已成功部署在淘宝网的在线大型推荐系统,并在一系列商业指标方面取得了改善。
2019-12-28 cs.IR
Heterogeneous Information Crossing on Graphs for Session-based Recommender Systems
Zhejiang University(浙江大学);MYbank, Ant Group(蚂蚁集团网商银行)
推荐系统是一种基本的信息过滤技术,用于推荐符合用户个性和潜在需求的内容或项目。基于会话的推荐系统是解决用户身份识别困难和历史信息不可用问题的关键,它提供的推荐服务只依赖于用户在当前会话中的行为。然而,大多数现有的研究都没有很好地设计用于建模异构用户行为和捕获它们之间的关系,在实际场景中。为了填补这一空白,在本文中,我们提出了一种新的基于图的方法,即异构信息交叉图(Heterogeneous Information Crossing on Graphs,简称CNOG)。该算法利用用户在会话中的多种行为构建异构图,通过有效地交叉图上的异构信息来捕捉用户的当前兴趣和长期偏好。此外,我们还提出了一个增强版本,命名为CNORG-CL,它结合了对比学习(CL)技术,以提高项目的表示能力。通过利用不同会话之间的项目共现关系,BLOG CL提高了BLOG的推荐性能。我们在三个真实世界的推荐数据集上进行了大量的实验,结果验证了(i)BLOG通过利用异构图上的多种行为类型实现了最先进的性能。(ii)通过所提出的对比学习模块,BLOG CL进一步显著提高了BLOG的推荐性能。
2022-10-24 cs.IR cs.LG
Towards Faithful Simulation of Human Shopping Behavior
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);University of Chinese Academy of Sciences(中国科学院大学);National University of Singapore(新加坡国立大学);Alibaba Group(阿里巴巴集团)
本文针对现有用户购物行为模拟器的记忆与优化挑战,提出分层记忆的RecVerse智能体,结合轨迹级RL优化,发布USB数据集,在模拟性能上显著优于现有基线。
2026-08-24 cs.IR
Rethinking Contrastive Learning in Session-based Recommendation
本文提出多模态自适应对比学习框架MACL,通过多模态增强生成语义一致的视图,并利用自适应对比损失区分正负信号贡献,在三个真实数据集上验证了其优于现有方法。
2025-06-05 cs.IR
PEN4Rec: Preference Evolution Networks for Session-based Recommendation
National Computer System Engineering Research Institute of China(国家计算机系统工程研究所);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院)
基于会话的推荐旨在根据用户在匿名会话中的历史行为预测用户的下一个动作。为了获得更好的推荐,捕获用户偏好及其动态至关重要。此外,用户偏好随时间动态演化,每个偏好都有自己的演化轨迹。然而,以往的研究大多忽略了偏好的演化趋势,容易受到偏好漂移效应的干扰。在本文中,我们提出了一种新的基于会话的推荐偏好进化网络(PEN4Rec)模型的偏好进化过程中的两个阶段的检索历史的背景。具体而言,第一阶段过程根据最近的项目整合相关行为。然后,第二阶段的过程模型的偏好演变轨迹随时间的动态和推断丰富的偏好。该过程可以增强相关序列行为在偏好演化中的作用,减弱偏好漂移对偏好演化的干扰。在三个公开数据集上的实验证明了该模型的有效性和优越性。
2021-06-17 cs.AI cs.IR
Disentangled Graph Neural Networks for Session-based Recommendation
基于会话的推荐(SBR)由于其仅利用当前会话中有限的用户行为历史而具有很大的实用价值,近年来受到越来越多的研究关注。现有的方法通常在项目级别学习会话嵌入,即,聚合项目的嵌入,有或没有分配给项目的注意力权重。然而,它们忽略了这样的事实,即用户采用物品的意图是由物品的某些因素驱动的(例如,一部电影的主要演员)。换句话说,他们没有在因素级别上探索用户的更细粒度兴趣以生成会话嵌入,从而导致次优性能。为了解决这个问题,我们提出了一种新的方法,称为解纠缠图神经网络(Disen-GNN)捕捉会话的目的,考虑因素级的注意力对每个项目。具体而言,我们首先采用解纠缠学习技术,将项目嵌入转换为多个因素的嵌入,然后使用门控图神经网络(GGNN)学习嵌入因素明智的基础上,项目相邻的相似性矩阵计算每个因素。此外,距离相关性被用来增强每对因素之间的独立性。在用独立的因素表示每个项目之后,设计了注意力机制来学习用户对会话中每个项目的不同因素的意图。然后通过聚合项目嵌入与每个项目的因素的注意力权重来生成会话嵌入。为此,我们的模型在因素级别考虑用户意图,以推断用户在会话中的目的。在三个基准数据集上的大量实验证明了该方法的优越性。
2022-01-11 cs.IR
The Role of the Task Topic in Web Search of Different Task Types
当用户在Web上查找信息时,他们对不同的任务类型表现出不同的行为,例如,用于事实调查和信息收集任务。例如,这一领域的相关工作已经研究了如何测量这种行为并将其应用于区分简单和困难的任务。在这项工作中,我们看看在新闻领域的四个不同的任务类型,另外,在每个任务类型的两个不同的主题的行为。搜索行为是衡量与会话变量和相关的主观措施,如任务难度,任务成功和有用的文件。我们承认在这方面的任务难度与用户的努力,容易和困难的任务是可区分的会话变量之前的结果。然而,在这项工作中,我们强调任务主题的作用-本身-在参数,如搜索结果和阅读内容页面,停留时间,会话变量和主观的措施,如任务难度或任务成功。有了这些知识,研究人员应该更多地关注任务主题作为用户行为的重要影响因素。
2018-08-21 cs.IR
Batch-Constrained Distributional Reinforcement Learning for Session-based Recommendation
TCS Research(塔塔咨询服务研究院)
大多数现有的深度强化学习(RL)方法都依赖于与真实用户的昂贵在线交互,或者依赖于潜在的基于规则或数据驱动的用户行为模型进行学习。在这项工作中,我们专注于学习纯批量或离线设置中的推荐策略,即仅从离线历史交互日志或从未知和次优行为策略生成的批量数据中学习策略,而无需进一步访问来自真实世界或用户行为模型的数据。我们提出了BCD4Rec:基于会话推荐的批量约束分布式强化学习。BCD4Rec建立在批处理(离线)RL和分布式RL的最新进展基础上,从离线日志中学习,同时处理由于不同的潜在兴趣偏好(环境)而导致的用户奖励的内在随机性。我们证明,BCD4Rec显着提高了行为策略,以及强大的RL和非RL基线在批量设置方面的标准性能指标,如点击率或购买率。BCD4Rec的其他有用性质包括:推荐来自正确潜在类别的项目,所述正确潜在类别指示更好的价值估计,尽管有大的动作空间(项目数量级),以及ii.克服离线日志中通常存在的点击或购买物品的受欢迎程度偏见。
2020-12-16 cs.IR cs.LG
Qilin: A Multimodal Information Retrieval Dataset with APP-level User Sessions
Xiaohongshu Inc.(小红书科技有限公司);Tsinghua University(清华大学)
本文提出了Qilin,一个从小红书收集的多模态信息检索数据集,包含APP级用户会话、异构结果、上下文信号与真实反馈,支持多模态神经检索及RAG流程训练评估,助力改进搜索与推荐系统。
2025-03-01 cs.CL cs.IR
Disentangling ID and Modality Effects for Session-based Recommendation
Dalian University of Technology(大连理工大学);Leiden University(莱顿大学);Pennsylvania State University(宾夕法尼亚州立大学)
提出DIMO框架,通过物品级共现表示与模态对齐、会话级多视图自监督解耦(代理机制与反事实推断),实现ID与模态效应的解耦,提升会话推荐的准确性与可解释性。
2024-04-19 cs.AI cs.IR
Bridge the Gap between Past and Future: Siamese Model Optimization for Context-Aware Document Ranking
Ant Group(蚂蚁集团)
针对仅用历史会话数据难以捕捉动态用户意图的问题,提出含历史条件与未来感知模型的孪生优化框架,结合带动态门控的对等知识蒸馏,使推理时仅用历史数据的ForeRanker排序性能优于现有方法。
2025-05-20 cs.CV cs.IR
Analyzing Web Search Behavior for Software Engineering Tasks
Web搜索起着不可或缺的作用,在软件工程(SE),以帮助各种任务,如查找文档,调试,安装等,在这项工作中,我们提出了第一个大规模的分析,搜索行为的SE任务使用的搜索查询日志必应,商业网络搜索引擎。首先,我们使用远程监督技术来构建一个机器学习分类器,以提取F1得分为93%的SE搜索查询。然后,我们对一百万个搜索会话进行分析,以了解软件工程相关的查询和会话与其他查询和会话的不同之处。随后,我们提出了一个分类的意图,以确定在软件工程中使用Web搜索的各种情况。最后,我们分析了数百万个SE查询,以了解这些SE搜索意图的分布,搜索指标和趋势。我们的分析表明,SE相关的查询构成了整体网络搜索流量的重要组成部分。此外,我们发现,有六个主要的意图类别,其中网络搜索是用于软件工程。这些技术和见解不仅可以帮助改进现有工具,还可以激发新工具的开发,帮助为SE相关任务查找信息。
2020-08-29 cs.IR cs.SE
PARSRec: Explainable Personalized Attention-fused Recurrent Sequential Recommendation Using Session Partial Actions
UC Davis(加州大学戴维斯分校)
新兴的Meta和多元宇宙景观是朝着更普遍地使用已经无处不在的在线市场迈出的又一步。在这样的市场中,推荐系统通过向用户提供感兴趣的项目,从而缩小包括数十万产品的巨大搜索空间而发挥关键作用。推荐系统通常被设计为学习常见的用户行为并依赖它们进行推理。这种方法虽然有效,但却忽视了区分人类的微妙特质。专注于这一观察,我们提出了一个架构,依赖于共同的模式,以及个人的行为,为每个人量身定制的建议。在受控环境下的仿真表明,我们提出的模型学习可解释的个性化用户行为。尼尔森消费者面板数据集上的实证结果表明,所提出的方法实现了高达27.9%的性能提高相比,国家的最先进的。
2022-09-16 cs.AI cs.IR cs.LG
Learning to Attend, Copy, and Generate for Session-Based Query Suggestion
University of Amsterdam(阿姆斯特丹大学);Google Research(谷歌研究院)
在搜索过程中,用户试图通过重新表达他们的查询来表达他们复杂的信息需求。为了使这个过程更有效,搜索引擎提供相关查询,以帮助用户在指定的信息需要在他们的搜索过程。在本文中,我们提出了一个定制的基于会话的查询建议的序列到序列模型。在我们的模型中,我们采用了一个查询感知的注意力机制来捕获会话上下文的结构。它使我们能够控制会话的范围,从中我们推断出建议的下一个查询,这不仅有助于处理噪声数据,还有助于自动检测会话边界。此外,我们观察到,基于用户查询重构行为,在单个会话中,保留了来自先前提交的查询的大部分查询词,并且由通常不包括在词汇表中的大多不常见或看不见的词组成。因此,我们授权我们的模型的解码器在解码过程中通过引入复制机制来访问会话上下文中的源单词。此外,我们提出了评估指标,以评估质量的生成模型的查询建议。我们进行了大量的实验和分析。结果表明,我们的模型在生成查询和为查询建议任务的候选查询评分方面都优于基线。
2017-11-13 cs.AI cs.CL cs.IR
The New Shape of Search: How Conversational AI Recomposes Information Seeking
Scrunch AI
研究将对话助手插入信息获取过程后的变化,通过链接对话与搜索等重建完整过程,发现对话式人工智能改变信息获取形态,其过程分叉,受表达影响,还存在工作台使用等情况,且未取代搜索。
2026-08-26 cs.CY cs.HC cs.IR