전자 상거래 검색에서의 계층적 쿼리 분류

Core Concepts

전자 상거래 플랫폼에서 사용자 검색 쿼리를 계층적 구조로 효율적으로 분류하는 것은 사용자 경험 향상과 민감한 쿼리 분류에 중요하며, 새로운 계층적 쿼리 분류 시스템으로 나아가는 길을 열어줍니다.

Abstract

전자 상거래 플랫폼에서 제품 정보와 검색 데이터를 계층적으로 저장하고 구조화합니다. 쿼리 분류의 중요성은 민감한 쿼리 분류나 중요 정보 전달 시에 부정확성이 큰 부정적 영향을 미칠 수 있습니다. 제안된 방법은 계층적 정보를 활용하여 새로운 프레임워크를 소개하며, 상태-of-the-art(SOTA)에 비해 더 나은 결과를 보여줍니다. 제안된 방법은 Amazon 데이터셋에서 SOTA를 능가하고, Web of Science 및 RCV1-V2의 공개 데이터셋에서 SOTA와 비교 가능한 결과를 보여줍니다. 제안된 솔루션의 효과성을 입증하고, 계층적 쿼리 분류 시스템의 다음 세대로 나아가는 길을 열어줍니다.

Stats

민감한 쿼리는 모든 쿼리의 0.05%~0.15%를 차지합니다. 평균 검색 쿼리는 약 세 단어입니다. 제안된 방법은 Amazon 데이터셋에서 SOTA를 능가하고, Web of Science 및 RCV1-V2의 공개 데이터셋에서 SOTA와 비교 가능한 결과를 보여줍니다.

Quotes

"E-commerce platforms typically store and structure product information and search data in a hierarchy." "Efficiently categorizing user search queries into a similar hierarchical structure is paramount in enhancing user experience on e-commerce platforms." "Extensive experiments demonstrate that our proposed method is better than state-of-the-art (SOTA) on the proprietary Amazon dataset."

Key Insights Distilled From

Hierarchical Query Classification in E-commerce Search

by Bing He,Srey... at arxiv.org 03-12-2024

https://arxiv.org/pdf/2403.06021.pdf

Deeper Inquiries

어떻게 민감한 쿼리 분류의 정확성을 높일 수 있을까?

민감한 쿼리 분류의 정확성을 높이기 위해서는 몇 가지 중요한 전략을 고려해야 합니다. 첫째, 레이블 및 인스턴스 계층 구조를 활용하여 쿼리의 표현을 향상시키는 것이 중요합니다. 이를 통해 모델이 쿼리의 의미를 더 잘 파악하고 분류할 수 있습니다. 둘째, 이웃을 고려한 샘플링 기술을 사용하여 레이블이 지정된 쿼리와 유사한 특성을 가진 미분류 쿼리를 선택하여 모델의 성능을 향상시킬 수 있습니다. 또한, 자가 학습 단계에서 높은 신뢰도를 가진 데이터 포인트를 선택하여 모델을 재학습하는 것이 중요합니다. 이러한 전략을 조합하여 모델의 성능을 향상시키고 민감한 쿼리를 정확하게 분류할 수 있습니다.