Analyzing Coherency in Facet-based Clarification Prompt Generation for Search
本文聚焦搜索澄清中的查询facet质量,提出facet连贯性概念并发现现有评估未涵盖该指标,同时构建分类器揭示了不连贯facet的普遍性,为未来研究提供动机。
2024-01-09 cs.IR
CIRCLE: Multi-Turn Query Clarifications with Reinforcement Learning
针对用户搜索时初始查询表述不清、现有查询澄清模型交互自然性不足的问题,本文提出基于强化学习的多轮查询澄清生成模型CIRCLE,通过用户模拟框架利用多轮交互,以微调的预训练语言模型生成多样化澄清,并与谷歌搜索建议对比评估。
2023-11-05 cs.IR
Using clarification questions to improve software developers' Web search
内容:最近的研究表明,由软件开发人员编写的Web查询在检索相关结果方面不是很成功,与通用Web查询相比,其表现要差得多。到目前为止,大多数方法都使用特定于软件工程的自动化查询重构技术来解决这个问题,这些技术在没有开发人员参与的情况下工作,但受到原始查询内容的限制。换句话说,这些技术自动地改进了现有的查询,但不能贡献新的、以前未提及的概念。目的:在本文中,我们提出了一种技术来指导软件开发人员手动改善自己的Web搜索查询。我们研究了一个会话的方法,以下不成功的查询与澄清的问题,旨在引起额外的查询条件,从而为开发人员提供了一个明确的维度,查询可以改善。研究方法:我们描述了一组澄清问题,来自语料库的软件开发人员的查询和神经的方法来推荐他们的一个新发布的查询。结果如下:我们的评估表明,推荐技术是准确的,预测一个有效的澄清问题的80%的时间,并优于简单的基线,以及最先进的学习排序(LTR)基线。结论:如实验结果所示,所描述的方法是能够推荐适当的澄清问题,软件开发人员和开发人员的样本,从新手到有经验的专业人士认为是有用的。
2022-07-26 cs.IR cs.SE
Analyzing and Learning from User Interactions for Search Clarification
响应于搜索查询而提出澄清性问题已经被认为是用于揭示查询的潜在意图的有用技术。澄清在具有不同接口的检索系统中具有应用,从传统的web搜索接口到仅语音和小屏幕设备中的有限带宽接口。澄清性问题的产生和评价是近年来的研究热点。然而,与澄清问题的用户交互相对未被探索。在本文中,我们进行了全面的研究,通过分析大规模的用户互动与澄清问题,在一个主要的网络搜索引擎。更详细地说,我们分析了通过澄清问题的搜索查询,澄清问题,及其候选答案的不同属性的基础上收到的用户参与。我们进一步研究了数据中的点击偏差,发现即使阅读澄清问题和候选答案并不需要花费很大的努力,但数据中仍然存在一些位置和呈现偏差。我们还提出了一个模型,用于学习表示澄清问题的基础上,用户交互数据作为隐式反馈。该模型是用于重新排名的一些自动生成的澄清问题,为一个给定的查询。对点击数据和人工标注数据的评价表明了该方法的高质量。
2020-05-30 cs.IR
RAC: Retrieval-Augmented Clarification for Faithful Conversational Search
Sorbonne Université, CNRS, ISIR, F-75005 Paris, France(索邦大学、国家科学研究中心、ISIR、法国巴黎);Ecole nationale Supérieure d’Informatique (ESI), Algeria(信息技术国家高等学院(ESI)、阿尔及利亚);AgroParisTech, UMR MIA-PS, Palaiseau, France(农业巴黎技术学院、UMR MIA-PS、法国帕莱索)
RAC通过检索增强的方法生成基于语料库的澄清问题,提高对话搜索的准确性与可靠性。
2026-01-16 cs.CL cs.IR
ProductAgent: Benchmarking Conversational Product Search Agent with Asking Clarification Questions
Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院);Peng Cheng Laboratory(鹏城实验室)
本文提出ProductAgent对话式产品搜索智能体及PROCLARE评测基准,通过策略性澄清提问与动态检索,在电商模糊查询场景中随对话轮次增加逐步提升检索性能。
2024-07-01 cs.AI cs.CL cs.IR
Interactive Query Clarification and Refinement via User Simulation
当用户发起搜索会话时,他们的查询通常不清楚或者可能缺乏上下文;这导致低效的文档排序。信息检索团体已经提出了多种方法来添加上下文并检索与用户意图一致的文档。虽然一些工作集中于使用用户的浏览历史的查询消歧,但最近的工作提出通过询问澄清问题或/和提出澄清面板来与用户交互。然而,这些方法计数有限的数量(即,1)与用户的交互或基于日志的交互。在本文中,我们提出并评估了一个完全模拟的查询澄清框架,允许IR系统和用户代理之间的多轮交互。
2022-05-31 cs.IR
Sensitivity-Aware Retrieval-Augmented Intent Clarification
ICAI OpenGov Lab x IRLab, University of Amsterdam, The Netherlands(ICAI开放政府实验室 x IRLab,阿姆斯特丹大学,荷兰)
本文提出了一种敏感性感知的检索增强意图澄清方法,旨在保护敏感信息的同时提升对话系统的性能。
2026-03-06 cs.AI cs.IR
Augmenting Ad-Hoc IR Dataset for Interactive Conversational Search
本文提出一种从即席信息检索数据集自动构建大规模对话式信息检索数据集的方法,通过生成查询澄清交互和模拟交互增强MsMarco,实验验证了其可行性和有效性。
2023-11-10 cs.IR
CLARINET: Augmenting Language Models to Ask Clarification Questions for Retrieval
UC Berkeley(加州大学伯克利分校)
针对信息检索中模糊查询需澄清的问题,提出CLARINET系统,通过增强LLM条件化检索分布并端到端微调生成澄清问题,在真实书籍检索数据集上显著提升检索成功率。
2024-04-28 cs.AI cs.CL cs.IR
Analysing Mixed Initiatives and Search Strategies during Conversational Search
University of Amsterdam(阿姆斯特丹大学);University of Strathclyde(思克莱德大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Microsoft(微软)
用户和会话搜索代理之间的信息搜索会话由多轮交互组成。当用户发起搜索会话时,理想情况下,CSA有时应该通过提供查询建议或要求查询澄清(即混合主动性)来获得用户的反馈,从而在对话中发挥主导作用。这创造了更吸引人的对话搜索的潜力,但由于大的交互空间加上不同交互的成本和收益之间的权衡,大大增加了建模和评估此类场景的复杂性。在本文中,我们提出了一个对话搜索模型-从我们实例化不同的观察到的对话搜索策略,其中代理elections:(i)反馈第一,或(ii)反馈后。使用49个TREC WebTrack主题,我们进行了一项分析,比较这些不同的策略与不同的混合主动方法的结合程度:(i)查询建议与(ii)查询澄清。我们的分析表明,没有优越或占主导地位的组合,相反,它表明,查询澄清是更好的时候问第一,而查询建议是更好的时候,提出结果后。我们还表明,最好的策略和方法取决于查询和反馈之间的相对成本,初始查询的性能,每个查询的评估数量,以及所需的总收益之间的权衡。虽然这项工作突出了分析CSA所涉及的复杂性和挑战,但它为在批处理/离线设置中评估会话策略和会话搜索代理提供了基础。
2021-09-13 cs.CL cs.HC cs.IR
Clarifying Ambiguities: on the Role of Ambiguity Types in Prompting Methods for Clarification Generation
本文研究信息检索中澄清生成的歧义问题,提出名为AT-CoT的新提示方案,通过让LLM先预测歧义类型再生成澄清来增强推理能力,实验证明其优于多个基线。
2025-04-26 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
Zero-Shot and Efficient Clarification Need Prediction in Conversational Search
Università della Svizzera italiana(瑞士意大利语区大学);University of Amsterdam(阿姆斯特丹大学)
针对对话式搜索中澄清需求预测(CNP)训练数据有限且低效的问题,提出零样本高效框架Zef-CNP,利用大型语言模型生成合成查询训练模型,并设计TIQ-CoT与反事实查询生成策略提升质量,在有效性和效率上均优于现有方法。
2025-02-28 cs.AI cs.CL cs.IR
Unified Supervision for Walmart's Sponsored Search Retrieval via Joint Semantic Relevance and Behavioral Engagement Modeling
Walmart Global Tech(沃尔玛全球技术)
本文提出一种基于语义相关性和行为参与的统一监督框架,通过结合语义标签、检索先验分数和用户参与信号,提升沃尔玛电子商务赞助搜索检索性能。
2026-04-17 cs.IR
MetaCues: Enabling Critical Engagement with Generative AI for Information Seeking and Sensemaking
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Georgia Institute of Technology(佐治亚理工学院)
本文提出MetaCues工具,通过元认知提示和笔记界面提升用户在信息检索中的批判性思维,实验显示其能提高用户对搜索主题的态度判断信心和广泛探究能力。
2026-03-20 cs.AI cs.CY cs.HC
Multi-Turn Multi-Modal Question Clarification for Enhanced Conversational Understanding
Sharif University of Technology(谢里夫理工大学);University of Copenhagen(哥本哈根大学);University of Amsterdam(阿姆斯特丹大学)
本文提出多轮多模态澄清问题 MMCQ 任务,构建 ClariMM 数据集,并通过 BM25 加多模态生成式重排序的 Mario 框架提升复杂对话查询理解。
2025-02-17 cs.AI cs.CL cs.IR
Corpus-informed Retrieval Augmented Generation of Clarifying Questions
本研究开发基于RAG的语料库知情澄清问题生成模型,发现现有数据集搜索意图与语料库不匹配导致幻觉,提出数据集增强方法对齐真实澄清与语料库,并呼吁构建支持语料库知情澄清的数据。
2024-09-27 cs.IR
Beyond Relevance: Improving User Engagement by Personalization for Short-Video Search
本研究提出名为$\text{PR}^2$的短视频个性化搜索系统,结合查询相关协同过滤、个性化稠密检索与QIN排序模型,在生产环境中显著提升了用户参与度指标。
2024-09-17 cs.IR
Navigating the Thin Line: Examining User Behavior in Search to Detect Engagement and Backfire Effects
Maastricht University(马斯特里赫特大学)
本文通过257人预注册实验研究有争议话题搜索中的偏误程度与AI立场标签,发现反态度偏误可增加对立内容消费但减少交互,立场标签在剔除未点击用户后可提升立场多样性。
2024-01-20 cs.AI cs.IR
Not All Transparency Is Equal: Source Presentation Effects on Attention, Interaction, and Persuasion in Conversational Search
The University of Tennessee(田纳西大学);The University of Oklahoma(俄克拉荷马大学)
研究探讨了不同来源呈现方式对用户注意力、交互和说服力的影响,发现高可见性界面在某些情况下会降低知识获取,但随着来源使用增加,积极效果逐渐显现。
2025-12-13 cs.AI cs.HC cs.IR
Mine and Refine: Optimizing Graded Relevance in E-commerce Semantic Search Retrieval
DoorDash Inc.(DoorDash公司)
本文提出一种两阶段框架,通过挖掘和精炼提升电子商务搜索检索的分级相关性,结合对比学习和多类圆损失优化嵌入空间。
2026-08-31 cs.IR cs.LG
Inclusive Design Insights from a Preliminary Image-Based Conversational Search Systems Evaluation
本研究通过对比基于图像、文本和混合模态的对话式搜索系统,发现混合系统参与度最高,并指出基于图像的系统虽有解读挑战,但在辅助智力障碍人士方面具有潜力。
2024-03-29 cs.IR
Negative Data Mining for Contrastive Learning in Dense Retrieval at IKEA.com
IKEA Retail (Ingka Group)(宜家零售(英卡集团))
本文提出基于结构化负样本策略和LLM评估方法提升IKEA产品检索,通过生成语义挑战性负样本和训练数据生成,提升检索性能,但发现在线用户参与度无显著差异。
2026-05-01 cs.IR
Identifying High Consideration E-Commerce Search Queries
Amazon.com, Inc.(亚马逊公司)
本文提出基于参与度的查询排序方法EQR,利用客户行为、财务和目录信息等查询级特征识别电子商务高考虑度查询,离线实验和人工评估均验证其有效性,并已在商业部署中超越人工选择。
2024-10-17 cs.AI cs.CL cs.IR
Towards More Relevant Product Search Ranking Via Large Language Models: An Empirical Study
本文针对电商搜索排序缺乏黄金标准的问题,提出利用LLMs生成标签和特征以提升基于内容相关性的预测能力,并通过sigmoid变换极化相关性分数,结合在线与离线实验验证了该方法能更有效平衡内容与交互相关性。
2024-09-26 cs.IR
Asking Clarifying Questions Based on Negative Feedback in Conversational Search
当用户有复杂的信息搜索需求时,他们经常需要浏览多个搜索结果页面或重新制定查询。对话式搜索系统可以通过询问问题来澄清用户的搜索意图,从而提高用户满意度。然而,这可能需要大量的努力来回答一系列以“什么/为什么/如何”开头的问题。为了快速识别用户意图并减少交互过程中的工作量,我们提出了一个基于是/否问题的意图澄清任务,其中系统需要在最少的会话回合内询问有关意图的正确问题。在这个任务中,使用关于对话历史中先前问题的负面反馈是至关重要的。为此,我们提出了一个最大边际相关(MMR)的BERT模型(MMR-BERT BERT),利用负反馈的基础上MMR原则的下一个澄清问题的选择。在Qulac数据集上的实验表明,MMR-BERT在意图识别任务上的性能明显优于最先进的基线,并且所选问题在相关的文档检索任务中也取得了显着更好的性能。
2021-07-12 cs.IR
Discovery of the Content and Engagement with the Content
King’s College London(伦敦国王学院);House of Commons Research Library(下议院研究图书馆)
在20世纪下半叶,议会允许广播公司传输广播,最终电视报道辩论和特别委员会会议。最近,为了进一步提高透明度和公民参与度,英国议会开始发布这些辩论和会议的视频,并在Twitter上发布辩论的细节。在本文中,我们试图通过使用两年多的Google Analytics数据来了解人们如何参与议会辩论的视频数据。我们分析参与的模式--他们是如何在特定的视频上着陆的?他们是如何得知这段视频的,即,导致用户点击视频的(HTTP)浏览器网站是什么?一旦用户登陆视频,他们如何参与其中?视频播放多长时间?下一个目的地是哪里?回答这些问题是了解人们为什么以及如何使用议会视频的重要第一步,因此,视频交付平台应该如何适应和个性化以满足该国公民的需求。从An,Kwak和Jansen(2017)中获得灵感,我们在视频观看矩阵上采用非负矩阵分解(NMF)(Lee和Seung,1999)来识别不同的用户原型,并识别原型。对我们发现的原型进行更深入的研究表明,它们主要是通过它们如何登陆视频页面来区分的:搜索(即,通过搜索引擎),推荐(即,其他议会网站),直接(即,通过嵌入在另一个网站上的直接链接),社交(即,通过Facebook或Twitter等社交平台)和其他。
2022-06-15 cs.IR cs.LG
Learning Optimal Card Ranking from Query Reformulation
移动搜索最近被证明是搜索市场增长的主要贡献者。移动搜索和桌面搜索的关键区别在于,信息呈现仅限于移动终端的屏幕空间。因此,主要的搜索引擎已经采用了一种新类型的搜索结果呈现,称为\textit{information cards},其中每个卡片呈现针对给定查询的来自一个域/垂直的汇总结果,以扩充标准的蓝色链接搜索结果。虽然人们普遍认为信息卡特别适合移动用户体验,但优化此类结果集也具有挑战性。通常,像查询重构这样的用户参与度度量是基于每个查询的卡片的整个排名列表的,并且大多数传统的学习排序算法需要每个项目的相关性标签。在本文中,我们调查的可能性解释查询重组成有效的相关标签的查询卡对。我们继承了传统的学习排名的概念,并提出逐点,成对和列表的查询重构的解释。此外,我们提出了一个学习标签策略,学习每张卡的贡献,相对于查询,这些贡献可以用作标签的训练卡排名模型。我们利用一个国家的最先进的排名模型,并证明了所提出的机制的有效性,从一个主要的搜索引擎的大规模移动数据,显示来自用户参与的标签训练的模型可以显着优于从人类判断标签训练。
2016-06-22 cs.IR
Understanding Usage and Engagement in AI-Powered Scientific Research Tools: The Asta Interaction Dataset
Allen Institute for AI(艾伦人工智能研究所);Core contributors(核心贡献者)
本文通过Asta交互数据集研究用户在AI驱动的科学研究工具中的使用模式与参与行为,揭示了用户如何将系统视为协作伙伴,并提出了新的查询意图分类法以指导未来设计。
2026-02-26 cs.AI cs.HC cs.IR
Analysing the Effect of Clarifying Questions on Document Ranking in Conversational Search
University of Amsterdam(阿姆斯特丹大学)
最近对会话搜索的研究强调了混合主动性在会话中的重要性。为了实现混合主动性,系统应该能够向用户提出澄清问题。然而,在对文档进行排名时,还没有分析基本排名模型(支持对话式搜索)解决这些澄清问题和答案的能力。为此,我们分析了一个词汇排名模型的会话搜索数据集的性能与澄清的问题。我们调查,定量和定性,澄清问题和用户的答案的不同方面如何影响排名的质量。我们认为,需要有一些细粒度的治疗整个会话轮的澄清,明确的反馈的基础上,这是目前在这种混合的主动设置。根据我们的研究结果,我们引入了一个简单的基于知识的词汇基线,显着优于现有的天真基线。我们的工作旨在提高我们对这一特定任务中存在的挑战的理解,并为设计更合适的会话排名模型提供信息。
2020-08-11 cs.AI cs.CL cs.HC
Que2Engage: Embedding-based Retrieval for Relevant and Engaging Products at Facebook Marketplace
Meta;University of California, Merced(加州大学默塞德分校)
电子商务搜索中的基于嵌入的检索(EBR)是一种强大的搜索检索技术,用于解决搜索查询和产品之间的语义匹配。然而,像Facebook Marketplace Search这样的商业搜索引擎是针对多个业务目标进行优化的复杂多阶段系统。在Facebook Marketplace,搜索检索侧重于将搜索查询与相关产品相匹配,而搜索排名则更强调上下文信号,以提升更具吸引力的产品的排名。因此,端到端的体验是相关性和参与度的函数,以及系统不同阶段之间的交互。这对EBR系统提出了挑战,以便优化更好的体验。在本文中,我们提出了Que 2 Engage,搜索EBR系统建立在缩小检索和排名之间的差距,端到端的优化。Que 2 Engage采用多模态和多任务方法,将上下文信息注入检索阶段,并平衡不同的业务目标。我们通过多任务评估框架和彻底的基线比较和消融研究显示了我们方法的有效性。Que 2 Engage部署在Facebook Marketplace Search上,并在两周的A/B测试中显示出显著的改进。
2023-02-21 cs.AI cs.IR cs.LG
A Deep Reinforcement Learning Approach for Interactive Search with Sentence-level Feedback
Walmart Global Tech(沃尔玛全球技术);Emory University(埃默里大学)
针对现有交互式搜索RL方法仅关注项目级反馈、忽略句子级细粒度信息的问题,提出融合BERT模型与经验回放机制的DQrank方法,在三个数据集上性能较此前SOTA RL方法至少提升12%。
2023-10-03 cs.AI cs.HC cs.IR
Next-Gen Sponsored Search: Crafting the Perfect Query with Inventory-Aware RAG (InvAwr-RAG) Based GenAI
Walmart AdTech(沃尔玛广告科技)
研究电商赞助搜索中为给定查询识别相关关键词的挑战,引入基于库存感知检索增强生成式人工智能模型,结合多种查询提升相关性和用户参与度,初步结果显示填充率等显著提升。
2026-07-07 cs.AI cs.IR
Ranking Heterogeneous Search Result Pages using the Interactive Probability Ranking Principle
本文比较PRP与iPRP在异构搜索结果页面中的排序差异,发现iPRP通过期望感知效用使排序变化高达48%,建议采用iPRP实现以用户为中心的自适应排序。
2024-01-16 cs.IR
Language Models for Page-Level Layout Decisions in E-commerce Search
Walmart Global Tech(沃尔玛全球技术公司);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
该研究针对电商搜索页面级布局决策的离线评估难题,探究语言模型作为可扩展评估器,发现基于表示的方法在预测用户参与度上优于基于提示的方法,为相关评估提供了可靠基础。
2026-10-09 cs.CL cs.IR cs.LG
Guided Transformer: Leveraging Multiple External Sources for Representation Learning in Conversational Search
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Microsoft(微软)
响应于模糊或分面查询而提出澄清性问题已经被认为是用于各种信息检索系统,特别是具有有限带宽接口的会话式搜索系统的有用技术。分析和生成澄清问题最近已经被研究,但准确利用用户的反应澄清问题已经相对较少探索。在本文中,我们使用一种新的注意力机制来丰富Transformer网络学习到的表示,该机制来自外部信息源,对会话中的每个术语进行加权。我们在一个包括澄清问题的对话搜索场景中评估这个引导式Transformer模型。在我们的实验中,我们使用了两个独立的外部来源,包括检索到的顶级文档和一组不同的可能的查询澄清问题。我们实现了建议的表示学习模型的两个下游任务,在会话搜索:文档检索和下一个澄清问题的选择。我们的实验使用公共数据集进行搜索澄清,并与竞争基线相比表现出显着的改进。
2020-06-13 cs.CL cs.IR cs.LG
BayesCNS: A Unified Bayesian Approach to Address Cold Start and Non-Stationarity in Search Systems at Scale
Apple(苹果公司)
本文提出统一贝叶斯在线学习框架 BayesCNS,通过持续更新用户—物品交互先验并由排序器引导探索,解决大规模搜索中的冷启动与非平稳分布变化问题,线上新物品交互提升10.60%。
2024-12-10 cs.IR cs.LG
Iterative Resolution of Prompt Ambiguities Using a Progressive Cutting-Search Approach
University of Calabria, Italy(意大利卡拉布里亚大学)
本文提出一种通过结构化澄清问题、备选方案和示例逐步消除提示歧义的迭代方法,在编码、数据分析和创意写作任务上相比一次性方案实现了更高准确率与用户满意度。
2025-07-01 cs.AI cs.CL cs.ET
Trading Engagement for Sustainability: Carbon-Aware Re-ranking for E-commerce Recommendations
University of California, Berkeley(加州大学伯克利分校)
本文提出一种碳感知重排序策略,通过检索增强的碳足迹估计管道推断缺失的产品碳足迹标签,并在三个推荐模型上权衡用户参与度与碳排放,实现可持续推荐。
2026-06-03 cs.AI cs.IR cs.SI
Fortress: A Case Study in Stabilizing Search Recommendations via Temporal Data Augmentation and Feature Pruning
Apple(苹果公司)
Fortress通过时间数据增强和特征剪枝稳定化搜索推荐模型,提升预测稳定性和准确性,验证了在大规模应用市场中效果显著。
2026-05-14 cs.AI cs.IR
Migrating a Job Search Relevance Function
本文将自研C++搜索引擎迁移至OpenSearch,通过冻结职位语料库、众包标注及贝叶斯优化微调新检索算法,在最小化业务影响下保持并提升了搜索性能,新系统表现与原系统相当且部分指标改善。
2025-04-02 cs.IR
Long-term User Engagement Optimization through Model-agnostic Downstream Rewards Learning
Pinterest(拼趣(图片分享社交平台))
研究如何在推荐系统中优化长期用户价值,提出统一的模型无关下游奖励框架,先制定问题并开发离线筛选框架识别相关行为,再提出奖励信号,经实验验证可提升参与度和留存率,已在多页面部署。
2026-08-25 cs.IR cs.LG
MOHPER: Multi-objective Hyperparameter Optimization Framework for E-commerce Retrieval System
Bucketplace Inc.(Bucketplace公司)
针对传统电商搜索优化仅侧重CTR易忽略真实购买意图、CTCVR稀疏性带来优化难题的问题,提出多目标超参数优化框架MOHPER,结合贝叶斯优化与采样联合优化多目标,还提出元配置投票等策略提升效率,已在实际部署中实现用户满意度与营收的平衡优化。
2025-08-31 cs.AI cs.IR
HotelQuEST: Balancing Quality and Efficiency in Agentic Search
Ben-Gurion University(本·古里安大学);Amazon(亚马逊)
HotelQuEST 是一个用于评估代理搜索系统质量和效率的基准测试,通过包含 214 个酒店查询,揭示了基于 LLM 的代理在准确性上的优势,但成本较高,需进一步优化。
2026-02-27 cs.AI cs.IR
SocRipple: A Two-Stage Framework for Cold-Start Video Recommendations
Meta Platforms, Inc.(Meta平台公司)
针对视频推荐中新物品冷启动分发难题,提出两阶段检索框架SocRipple,结合创作者社交连接与KNN搜索扩散,在维持用户参与率的同时将冷启动物品分发量提升36%。
2025-08-10 cs.AI cs.IR
A Survey of Conversational Search
University of Montreal, Canada(蒙特利尔大学);Renmin University of China(中国人民大学)
本文综述对话式搜索这一新兴范式,涵盖其关键模块、大语言模型的整合、实际应用与评估,并展望未来研究方向。
2025-08-05 cs.CL 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
Semantic Search At LinkedIn
LinkedIn(领英)
LinkedIn推出基于大语言模型的语义搜索框架,通过优化相关性和参与度,在保持效率的同时提升检索质量和用户参与度。
2026-02-07 cs.AI cs.IR cs.LG
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
CTR-Guided Generative Query Suggestion in Conversational Search
本文提出GQS框架,通过多源CTR建模、CTR加权DPO偏好对齐和迭代优化,在对话式搜索中生成兼顾相关性与多样性的查询建议,实验证明其在CTR、相关性和多样性上优于基线。
2025-07-05 cs.IR
ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest
Pinterest(拼趣)
产品的学习嵌入是网络规模电子商务推荐系统的重要组成部分。在Pinterest,我们构建了一组名为ItemSage的产品嵌入,以在所有购物用例中提供相关推荐,包括基于用户,图像和搜索的推荐。这种方法显著改善了参与度和转化指标,同时降低了基础设施和维护成本。虽然大多数以前的工作集中在从单一模态的功能来构建产品嵌入,我们引入了一个基于transformer的架构,能够聚合来自文本和图像模态的信息,并表明它显着优于单一模态基线。我们还利用多任务学习,使ItemSage针对多种参与类型进行优化,从而形成一个候选人生成系统,该系统对端到端推荐系统的所有参与目标都是有效的。我们进行了大量的离线实验来说明我们的方法的有效性,在线A/B实验的结果显示,关键业务指标(高达+7%的商品总价值/用户和+11%的点击量)有了实质性的提高。
2022-05-24 cs.IR cs.LG
Decoy Effect In Search Interaction: Understanding User Behavior and Measuring System Vulnerability
本研究分析搜索交互中诱饵效应对用户行为的影响及调节因素,提出DEJA-VU指标度量IR系统脆弱性,为构建偏差感知的检索评估体系提供支撑。
2024-10-08 cs.IR
Deep reinforcement learning for search, recommendation, and online advertising: a survey
Michigan State University(密歇根州立大学)
搜索、推荐和在线广告是网络上最重要的三种信息提供机制。这些信息搜索技术通过在适当的时间和地点向用户推荐个性化的对象(信息或服务)来满足用户的信息需求,在缓解信息过载问题方面起着至关重要的作用。随着深度强化学习(DRL)的发展,人们对基于DRL的信息搜索技术的研究兴趣越来越大。这些基于DRL的技术具有两个关键优点-(1)它们能够根据用户的实时反馈持续更新信息搜索策略,以及(2)它们可以最大化来自用户的预期累积长期奖励,其中奖励根据信息搜索应用具有不同的定义,例如点击率、收入、用户满意度和参与度。本文从方法论到应用,概述了搜索、推荐和在线广告的深度强化学习,回顾了代表性算法,并讨论了一些有吸引力的研究方向。
2020-01-17 cs.IR cs.LG