Exploratory Search with Sentence Embeddings
California Polytechnic State University（加州州立理工大学）
探索性搜索旨在通过语料库引导用户，而不是精确定位信息。我们提出了一个探索性的搜索系统的基础上，层次聚类和文档摘要使用句子嵌入。使用句子嵌入，我们将文档表示为其嵌入句子的平均值，提取包含接近此文档表示的句子的摘要，并提取接近文档表示的关键短语。为了评估我们的搜索系统，我们收集了过去一年的个人搜索历史，并报告了我们使用该系统的经验。然后，我们讨论了这种性质的探索性搜索系统的激励用例，并总结了未来工作的可能方向。
2020-07-22 cs.CL cs.IR
Unexplored Frontiers: A Review of Empirical Studies of Exploratory Search
本文综述了2010-2021年间探索性搜索的实证研究，发现其高度跨学科但研究设置有限，多数研究聚焦于评估检索系统而非用户过程，并建议改进方法论一致性。
2023-12-22 cs.DL cs.HC cs.IR
LocLinkVis: A Geographic Information Retrieval-Based System for Large-Scale Exploratory Search
在本文中，我们提出了LocLinkVis（定位链接可视化），一个系统，它支持探索性的信息访问的基础上地理参考和可视化的文档集合。它使用一个地名录，其中包含从国家到建筑物等地点的表示，用于识别地名，将其消歧为地点，并可视化产生的空间足迹。
2015-09-26 cs.IR
Enhancing Exploratory Learning through Exploratory Search with the Emergence of Large Language Models
本文融合探索式搜索与探索式学习理论，改造 Kolb 模型并引入高频探索和反馈循环，探讨先进 LLM 如何支持学生搜索、促进高阶认知与人机协同学习。
2025-01-05 cs.AI cs.CL cs.IR
Investigating Exploratory Search Activities based on the Stratagem Level in Digital Libraries
在本文中，我们提出的探索性搜索活动在社会科学数字图书馆的用户研究的结果。我们对32名具有社会科学背景的参与者进行了一项用户研究，其中包括16名博士后研究人员和16名学生，他们被要求解决一项搜索与给定主题相关的工作的任务。探索性检索任务在10分钟的时间段内进行。测量某些搜索活动的使用，并将其与用眼动追踪设备记录的注视数据进行比较。我们使用一种新的树图表示可视化用户的搜索模式，并介绍了一种方法来结合多个搜索会话树。树图表示能够为多个用户创建一个单一的树，并识别常见的搜索模式。此外，正在比较学生和博士后研究人员的信息行为。结果表明，搜索活动的战略层面上经常使用的两个用户组。使用最频繁的搜索活动是关键词搜索，其次是浏览参考文献和引文，以及作者搜索。眼动追踪的结果显示了对文献元数据的密集检查，特别是在引用和参考文献的水平上。当比较学生和博士后研究人员的组时，我们发现关于种子文件的期刊名称的区域的凝视数据的显著差异。总的来说，我们发现博士后研究人员倾向于更深入地研究元数据记录的停留时间和注视次数。
2017-06-20 cs.DL cs.HC cs.IR
Expedition: A Time-Aware Exploratory Search System Designed for Scholars
档案是各种学者研究的重要资料来源。数字化和网络使档案更容易获得，并导致开发了几个时间感知的探索性搜索系统。然而，这些系统是为更一般的用户而不是学者设计的。与一般用户相比，学者有更复杂的信息需求。他们还需要在探索过程中支持语料库创建。在本文中，我们提出了远征-一个时间感知的探索性搜索系统，解决了学者的要求和信息需求。Expedition拥有一套专门的和基于多样性的检索模型，以满足复杂的信息需求;报纸风格的用户界面，以允许更大的文本预览和比较;实体过滤器，以更自然地完善结果列表和交互式注释时间轴，可用于更好地确定重要时期。
2018-10-25 cs.IR
EDAssistant: Supporting Exploratory Data Analysis in Computational Notebooks with In-Situ Code Search and Recommendation
University of Waterloo（滑铁卢大学）
使用计算笔记本（例如，数据科学家根据他们以前的经验和外部知识（如在线示例）合理化他们的探索性数据分析（EDA）。对于缺乏关于数据集或问题的特定知识的新手或数据科学家来说，有效地获取和理解外部信息对于进行EDA至关重要。本文介绍了EDAssistant，一个支持EDA与现场搜索的示例笔记本和有用的API的建议，由新颖的交互式可视化搜索结果提供动力的XuyterLab扩展。代码搜索和推荐由最先进的机器学习模型实现，这些模型是在在线收集的大量EDA笔记本语料库上训练的。进行用户研究以调查EDAssistant和数据科学家的当前实践（即，使用外部搜索引擎）。结果显示EDAssistant的有效性和实用性，与会者赞赏其对EDA的顺利和上下文支持。我们还报告了几个关于代码推荐工具的设计影响。
2021-12-15 cs.HC cs.IR cs.LG
QUIDS: Query Intent Description for Exploratory Search via Dual Space Modeling
Leiden University（莱顿大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
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
From Data to Dialogue: Leveraging the Structure of Knowledge Graphs for Conversational Exploratory Search
Technical University of Munich（慕尼黑工业大学）；National Institute of Advanced Industrial Science and Technology（日本产业技术综合研究所）
本研究结合知识图谱与对话界面的协同效应，提出支持用户以自然语言探索新闻、借图谱结构导航相关主题的知识驱动对话系统，经54名参与者的用户研究验证了该探索性搜索的有效性并给出设计启示。
2023-10-08 cs.CL cs.IR
SciSight: Combining faceted navigation and research group detection for COVID-19 exploratory scientific search
Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；Paul G. Allen School for Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）；Information School, University of Washington（华盛顿大学信息学院）；Microsoft Research（微软研究院）；University of California, Berkeley（加利福尼亚大学伯克利分校）
COVID-19大流行引发了科学家前所未有的动员，产生了大量论文，使研究人员难以跟踪和探索新的方向。搜索引擎是为有针对性的查询而设计的，而不是为了发现跨语料库的连接。在本文中，我们介绍了SciSight，这是一个探索性搜索COVID-19研究的系统，集成了两个关键功能：首先，探索从论文中自动提取的生物医学方面之间的关联（例如，基因、药物、疾病、患者结果）;第二，结合文本和网络信息来搜索和可视化研究人员群体及其关系。到目前为止，SciSight已经为超过$15K$的用户提供了超过$42K$的页面浏览量和$13\%$的回报。
2020-09-20 cs.DL cs.HC cs.IR
Featured Snippets Results in Google Web Search: An Exploratory Study
在本文中，作者分析了163412关键字和结果与特色片段收集本地化波兰谷歌搜索引擎。从获取研究特征片段所需数据的角度，提出了一种从Google搜索引擎中检索数据的方法。据观察，几乎一半的特色片段（48%）来自排名第一的结果。此外，介词与关键词中出现频率最高的实词之间也存在一定的相关性。结果显示，特色片段通常来自值得信赖的网站，例如，维基百科和主要以段落的形式呈现。段落可以通过谷歌助手或家庭助手通过语音搜索阅读。我们的结论与讨论和研究的局限性。
2019-12-03 cs.IR
Session-based Suggestion of Topics for Geographic Exploratory Search
University of Turin（都灵大学）
探索性信息搜索可能会对用户制定有效的搜索查询提出挑战。此外，复杂的信息空间，例如由地理信息系统管理的信息空间，可能会使人们迷失方向，难以找到相关数据。为了解决这些问题，我们开发了一个基于会话的建议模型，该模型通过考虑用户以前的查询，提出了“您可能也感兴趣”的功能。我们的模型可以应用于在交互式搜索中增量生成建议。它可以用于查询扩展，并且通常指导用户探索可能复杂的数据类别空间。我们的模型是基于一个概念共现图，描述了如何频繁的概念一起搜索搜索会话。从本体论域表示开始，我们通过分析一个主要的搜索引擎的查询日志来生成图。此外，我们确定集群的本体概念，经常共同出现在会话的日志通过社区发现的图形。我们的模型的评估提供了令人满意的精度结果。
2020-03-25 cs.IR cs.LG
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
An exploratory study of Google Scholar
本文对Google Scholar（GS）科学检索服务进行了分析和讨论。重点是一项探索性研究，调查科学期刊的覆盖面在GS。研究表明，GS指数的覆盖面和及时性方面存在不足。此外，该研究指出了哪些Web服务器是最重要的数据提供者，这种搜索服务和信息源的高度代表性。我们可以发现，谷歌学者对德国文学的覆盖率存在相对较大的差距，开放获取内容的可访问性也存在弱点。关键词：搜索引擎，数字图书馆，万维网，连续出版物，电子期刊
2007-07-24 cs.DL cs.IR
Assessing the Value of Peer-Produced Information for Exploratory Search
标记是一个流行的功能，支持多个协作任务，包括搜索，因为一个用户产生的标签可以帮助其他人找到相关内容。然而，任务性能取决于“好”标签的存在。为用户创造激励机制以产生“好”标签的第一步是首先量化它们的价值。这项工作通过结合定性和定量研究方法填补了这一空白。特别是，使用上下文访谈，我们首先确定的方面，影响用户的感知标签的探索性搜索的价值。接下来，我们正式确定的一些方面，并提出了一个信息理论的方法与可证明的属性，量化的两个最重要的方面（根据定性分析），影响标签值的感知：标签的能力，以减少搜索空间，同时检索相关的项目给用户。对真实数据的评价表明，我们的方法是准确的：用户认为更重要的标签比用户没有表示兴趣的标签有更高的价值。
2015-10-11 cs.IR cs.SI
Towards Large-Scale Exploratory Search over Heterogeneous Sources
Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；ITMO University（圣彼得堡国立信息技术机械与光学大学）；University of Washington（华盛顿大学）
自古以来，人们一直在寻找将科学知识组织成某种系统的方法，以促进新思想的搜索和发现。这个问题在前互联网时代使用图书馆分类法得到了部分解决，但现在几乎不可能对所有科学和科普知识进行人工分类。在互联网上可获得的数据的多样性和数量与这些数据的自动结构化算法之间存在着明显的差距。在我们的初步研究中，我们接近的问题，知识发现网络规模的数据与不同的文本来源，并提出了一个算法，聚合多个集合到一个单一的层次主题模型。我们实现了一个名为Rysearch的Web服务，以展示主题探索性搜索的概念，并使其在线。
2018-11-20 cs.IR cs.LG stat.ML
Knowledge Navigator: LLM-guided Browsing Framework for Exploratory Search in Scientific Literature
Bar-Ilan University（巴伊兰大学）；Allen Institute for AI（艾伦人工智能研究所）
提出Knowledge Navigator，结合LLM与聚类方法，将检索文档组织为两级主题层次结构，支持科学文献探索性搜索，并在两个新基准上验证了有效性。
2024-08-28 cs.AI cs.CL cs.IR
Conversational Exploratory Search of Scholarly Publications Using Knowledge Graphs
Technical University of Munich（慕尼黑工业大学）
本文针对学术出版物搜索中词汇差异和知识图谱界面复杂的问题，提出并实现了一个基于知识图谱的对话式搜索系统，通过性能指标和40人的人工评估验证了其相较于传统图形搜索界面的有效性。
2024-10-01 cs.CL cs.IR
On Search Powered Navigation
基于查询的搜索和基于浏览的导航是探索性搜索的两个主要组成部分。搜索可以让用户通过控制他们的行为来深入挖掘，专注于并找到他们需要的信息，而导航可以帮助他们获得概述，以决定哪些内容是最重要的。在本文中，我们引入了“搜索驱动导航”的概念，并通过对探索性搜索任务的用户研究，研究了赋予导航搜索功能对用户信息寻求行为及其体验的影响，区分不同类型的信息需求。我们的主要发现如下：首先，我们观察到完全不同的搜索策略。使用搜索，用户能够控制和增强他们的搜索焦点，因此他们以深度优先，自下而上的方式探索数据。相反，使用纯导航，他们倾向于检查不同的选项，以便能够决定他们进入数据的路径，这对应于广度优先，自上而下的探索。其次，我们观察到一个一般的自然趋势，结合搜索和导航方面，然而，我们的实验表明，搜索功能是必不可少的，以解决探索性搜索任务，需要找到相关的文件一个狭窄的领域。第三，我们观察到搜索驱动的导航的自然需求：使用没有搜索功能的系统的用户可以找到创造性的方法来模仿使用导航的搜索。
2017-11-01 cs.IR
AI Overviews in Academic Search: Evaluating AI-generated Summaries of Search Results in a Domain-specific Search Engine
GESIS – Leibniz Institute for the Social Sciences（德国社会科学研究莱布尼茨研究所）；Modul University Vienna（维也纳莫德尔大学）
在学术搜索中，研究用人工智能生成的搜索引擎结果页面摘要作为辅助，通过人工评估得出错误分类法和保障措施，进行用户研究，发现其是依赖上下文和用户的辅助，贡献了相关指导和设计建议。
2026-07-07 cs.HC cs.IR
PubTree: A Hierarchical Search Tool for the MEDLINE Database
跟踪不断增加的科学文献是一项不断升级的挑战。我们提出了PubTree的分层搜索工具，有效地搜索PubMed/MEDLINE数据集的基础上构建的决策树使用> 26万摘要。该工具是作为一个网页实现的，在那里用户被问到一系列的18个问题，以找到相关的文章。这种分层搜索工具的实现突出了文档检索特有的问题。然而，这棵树的构建表明，随着未来的发展，分层搜索可能成为一个有效的工具（或辅助）在挖掘生物文献。
2017-02-26 cs.DL cs.IR
An Exploration Graph with Continuous Refinement for Efficient Multimedia Retrieval
HTW Berlin（柏林应用技术大学）
本文提出连续求精探索图（crEG），用于快速构建紧凑图以实现高效多媒体检索，其偶度无向图及连通性特性适配探索式搜索，实验显示ANNS高效率与探索式搜索性能无必然关联。
2026-07-31 cs.IR
When Product Search Meets Collaborative Filtering: A Hierarchical Heterogeneous Graph Neural Network Approach
个性化是提高产品搜索系统性能的核心。以往的研究主要是依靠文本查询和用户/产品相关文档之间的语义匹配，离开用户的合作行为尚未开发。事实上，用户之间的协同过滤信号直观地为语义匹配提供了补充信息。为了缩小协同过滤和产品搜索之间的差距，本文提出了一种层次异构图神经网络（HHGNN）方法。具体来说，我们组织HHGNN与层次图结构，根据三个边缘类型。序列边负责从单词节点到句子节点的语法公式化;组合边将语义特征聚合到用户和产品节点;顶部的交互边执行用户和产品节点之间的图卷积操作。最后，为了更好地进行表示学习，我们将高阶相邻协作特征和语义特征相结合。我们在六个亚马逊评论数据集上进行了广泛的实验。结果表明，我们提出的方法可以优于国家的最先进的基线有很大的利润。此外，我们实证证明，协同过滤和语义匹配是相辅相成的产品搜索性能的提高。
2021-09-26 cs.IR
H-MAPS: Hierarchical Memory-Augmented Proactive Search Assistant for Scientific Literature
University of Tsukuba（筑波大学）；National Institute of Informatics（日本情报学研究所）
H-MAPS通过三层分层记忆解决文献阅读中的上下文模糊问题，利用隐含的阅读行为将用户潜在需求转化为自然语言问题，并在本地设备上进行神经检索以确保隐私。
2026-05-11 cs.IR
Personalizing Search Results Using Hierarchical RNN with Query-aware Attention
搜索结果个性化已成为提高搜索引擎质量的有效途径。以往的研究提取了用户过去的点击次数、用户的主题兴趣、查询点击熵等信息来对原始排名进行裁剪。然而，很少有研究考虑到先前的查询和会话的顺序信息。直觉上，发出查询的顺序在推断真实用户兴趣方面很重要。最近的会话应该比旧会话提供更可靠的个人信号。此外，先前的搜索历史和用户行为应该根据它们的相关性来影响当前查询的个性化。为了实现这些直觉，在本文中，我们采用了分层递归神经网络，利用这些序列信息，并自动生成用户简档的历史数据。我们提出了一个查询感知的注意力模型来生成一个动态的用户简档的基础上输入查询。与几种传统的个性化模型相比，在实验中观察到显着的改善，从商业搜索引擎的数据。我们的分析表明，注意力模型能够在精细训练后将更高的权重归因于更相关的过去会话。
2019-08-20 cs.IR
HierSearch: A Hierarchical Enterprise Deep Search Framework Integrating Local and Web Searches
Baichuan（百川）
针对企业需同时检索本地与网络知识源的问题，提出基于层次化强化学习的智能体深度搜索框架HierSearch，结合低层检索智能体、高层规划器与知识精炼器，有效提升了多源检索与最终回答的准确性。
2025-08-11 cs.AI cs.CL cs.IR
Hierarchical Information Quadtree: Efficient Spatial Temporal Image Search for Multimedia Stream
在诸如照片共享网站和社交网络应用的许多新兴应用中，包含时间戳和地理信息的大量多媒体数据正以前所未有的规模产生。由于其重要性，大量的工作集中在有效地计算各种空间图像查询。在本文中，我们研究了时空图像查询，考虑了三个重要的约束条件，包括时间新近度，空间邻近度和视觉相关性的搜索。提出了一种新的索引结构，即层次信息四叉树（\hiq），以有效地插入/删除时空图像，具有高到达率。在\hiq的基础上，提出了一种有效的时空图像查询算法.我们通过大量的实验与真实的空间数据库清楚地证明了我们的方法的效率。
2018-08-15 cs.IR cs.MM
SotA Lens: A Network-Augmented Methodology and Tool for Exploratory State-of-the-Art Reviews
Faculty of Engineering, University of Porto（波尔图大学工程学院）
本文提出SotA Lens，一种网络增强的方法和轻量级工具，用于探索性现状综述，通过结合多种技术手段帮助研究人员识别领域中的聚类和空白，产生可审计的综述成果。
2026-05-05 cs.DL cs.IR
Efficient and robust approximate nearest neighbor search using Hierarchical Navigable Small World graphs
Institute of Applied Physics of the Russian Academy of Sciences（俄罗斯科学院应用物理研究所）
本文提出了一种基于可控层次可导航小世界图（Hierarchical NSW，HNSW）的近似K近邻搜索方法。所提出的解决方案是完全基于图的，而不需要任何额外的搜索结构，这通常是在最接近图技术的粗搜索阶段使用。分层NSW递增地构建由用于所存储元素的嵌套子集的邻近图（层）的分层集合组成的多层结构。其中存在元素的最大层以指数衰减概率分布随机选择。这允许产生类似于先前研究的可导航小世界（NSW）结构的图形，同时还具有由其特征距离尺度分开的链接。与NSW相比，从上层开始搜索并利用尺度分离提高了性能，并允许对数复杂度缩放。额外的就业的启发式选择邻近图邻居显着提高性能在高召回率和高度聚类的数据的情况下。性能评估表明，所提出的通用度量空间搜索索引能够大大优于以前的开源最先进的矢量方法。该算法与跳表结构的相似性允许简单的平衡分布式实现。
2018-08-14 cs.CV cs.DS cs.IR
PaperRegister: Boosting Flexible-grained Paper Search via Hierarchical Register Indexing
Chinese Information Processing Laboratory, Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所信息处理实验室）；University of Chinese Academy of Sciences（中国科学院大学）；Ricoh Software Research Center Beijing, Ricoh Company, Ltd.（富士通软件研究（北京）中心，富士通公司）
PaperRegister通过分层注册索引提升灵活粒度论文搜索，实现细粒度查询的高性能表现。
2026-01-01 cs.CL cs.IR
COVID-19 Literature Topic-Based Search via Hierarchical NMF
Wofford College（沃福德学院）；University of California, Los Angeles（加州大学洛杉矶分校）；California State University Channel Islands（加州州立大学海峡群岛分校）；LWS Research（LWS研究公司）
我们将COVID-19相关科学文献的数据集进行了汇编，结合了来自多个在线图书馆的文章，并选择了那些开放获取和全文可用的文章。然后，使用分层非负矩阵分解将与新型冠状病毒相关的文献组织成树结构，研究人员可以根据检测到的主题搜索相关文献。我们在文献中发现了8个主要的潜在主题和52个颗粒子主题，涉及疫苗，遗传结构和疾病建模和患者研究，以及相关疾病和病毒学。为了使我们的工具可以帮助当前的研究人员，创建了一个交互式网站，使用这种层次结构组织可用的文献。
2020-09-07 cs.DL cs.IR cs.LG
DecoupleSearch: Decouple Planning and Search via Hierarchical Reward Modeling
Tongyi Lab（通义实验室）；Alibaba Group（阿里巴巴集团）
本文提出DecoupleSearch框架，通过双值模型解耦规划与搜索过程，利用蒙特卡洛树搜索评估每一步的质量，并通过分层束搜索迭代优化规划和搜索候选，验证了方法的有效性。
2026-05-18 cs.AI cs.CL cs.IR
Hierarchical Tree Search-based User Lifelong Behavior Modeling on Large Language Model
University of Chinese Academy of Sciences（中国科学院大学）；Kuaishou Technology（快手科技）；Unaffiliated（无隶属）
提出HiT-LBM框架，结合分块提取与层次树搜索，解决大语言模型在推荐系统中处理用户终身行为与兴趣演化的难题，提升推荐性能。
2025-05-26 cs.AI cs.IR
HierCat: Hierarchical Query Categorization from Weakly Supervised Data at Facebook Marketplace
Meta；University of Minnesota（明尼苏达大学）
在像Facebook Marketplace这样的客户对客户电子商务平台上，由于搜索意图的复杂性、真实数据中的噪声以及跨语言的不平衡训练数据，查询分类具有挑战性。它的部署还需要考虑可扩展性和下游集成方面的挑战，以便将建模进展转化为更好的搜索结果相关性。在本文中，我们提出了HierCat，Facebook Marketplace的查询分类系统。HierCat通过利用双编码器架构的多任务预训练和分层推理步骤来有效地从从自适应参与挖掘的弱监督训练数据中学习，从而解决了这些挑战。我们表明，HierCat不仅在离线实验中优于流行的方法，而且在在线A/B测试中，NDCG提高了1.4%，Facebook Marketplace Search的用户参与度提高了4.3%。
2023-02-22 cs.AI cs.IR cs.LG
Aggregating E-commerce Search Results from Heterogeneous Sources via Hierarchical Reinforcement Learning
Tsinghua University（清华大学）；Alibaba Group（阿里巴巴集团）；State Grid Zhejiang Electric Power Co., LTD（国网浙江省电力有限公司）
在本文中，我们研究的任务聚合搜索结果从异构来源在电子商业环境。首先，与传统的聚合网络搜索不同，传统的聚合网络搜索仅在第一页中呈现多个来源的结果，这个新的任务可以在所有页面中呈现聚合结果，并且必须动态地决定哪个来源应该呈现在当前页面中。第二，正如许多现有的研究所指出的那样，对来自异质来源的项目进行排名并不是微不足道的，因为来自不同来源系统的相关性分数并不直接可比。为了解决这两个问题，我们在层次结构中将任务分解为两个子任务：一个是源选择的高级任务，我们将用户行为的序列模式建模到不同页面的聚合结果上，以便理解用户意图并正确选择相关的源;和一个低-项目呈现的一级任务，其中我们制定了一个插槽填充过程，以顺序呈现项目，而不是给每个项目一个相关性分数，决定异质项目的呈现顺序。由于这两个子任务可以自然地制定为顺序决策问题，并从未来的用户对搜索结果的反馈中学习，我们建立了分层强化学习模型。大量的实验表明，我们的模型获得了显着的改善，在搜索性能指标，并取得了较高的用户满意度。
2019-02-24 cs.AI cs.CY cs.IR
