Query Suggestion with Feedback Memory Network
idea
模拟用户与搜索引擎的互动,对用户对搜索结果的偏好建模以获得查询建议。
Model(FMN)
问题定义
给定一个查询
q
q
q,它的搜索结果
D
D
D = {
d
1
d_1
d1,
d
2
d_2
d2,…,
d
n
d_n
dn},他的点击位置为
p
p
p,即文档
d
p
d_p
dp,FMN考虑点击文档作为正例
D
+
D^+
D+,跳过的文档作为负例
D
−
D^-
D−
模型框架
FMN将
D
+
D^+
D+和
D
−
D^-
D−编码到正反馈memory
F
+
F^+
F+和负反馈memory
F
−
F^-
F−,这两个连续的向量代表用户的偏好。它由三个部分组成: document content encoding、position encoding和attention mechanism
Document Content Encoding(对
D
+
D^+
D+和
D
−
D^-
D−)
文档的content:
GRU编码(得到output向量):
Position Encoding:(同word_emb)
文档在搜索结果中的排名位置传达了搜索引擎对文档相关性的判断。它还影响用户对文档的感知。为了掩盖其影响,FMN将文档的排名位置作为嵌入位置:
Attention Mechanism
FMN使用注意力机制来加权组合文档内容嵌入和位置嵌入。当推断搜索意图时,它捕获D+和D-中文档的重要性。例如,如果
d
p
d_p
dp对应于查询的罕见意图,单击它会提供更多信息;如果
d
p
d_p
dp是一个常见结果,跳过它表示更意外的意图。
对于查询
q
q
q:
attention向量:
对于文档
d
p
d_p
dp(同
q
q
q):
attention:(点乘)
Feedback Memories:
注意力分数、文档嵌入和位置嵌入一起为查询产生正反馈记忆
位置嵌入和content嵌入呗连接由
M
M
M和
b
F
b_F
bF投影,F+,和F-是 FMN的输出向量,代表用户反馈所反映的积极和消极偏好。
Feedback-Aware Query Suggestion
将FMN的输出与HRED结合:
Encoder
首先对查询做嵌入:
然后将反馈信息和查询结合:
将结果送的GRU中学习session级编码:
Decoder
首先投影
S
→
S^→
S→:
目标查询:
被GRU编码:
然后按照LM的方式一个一个生成目标字:
损失自然目标查询q的最大化似然函数:
实验
在搜狗搜索日志上进行实验达到了SOAT