洞見 - E-commerce - # Search Intention Network

E-Commerce Search Intention Network for Personalized Query Auto-Completion

Q: 검색 의도 네트워크를 통해 어떻게 사용자의 실제 관심사를 더 정확하게 추정할 수 있을까?

SIN은 사용자의 현재 검색 의도를 더 정확하게 추정하기 위해 여러 가지 기능을 활용합니다. 먼저, 현재 검색 의도를 표현하기 위한 현재 검색 의도 인코더를 사용하여 사용자의 현재 관심 상태를 더 감독합니다. 또한, 과거 행동 시퀀스를 인코딩하기 위한 역사적 의도 재구성 인코더를 사용하여 사용자의 다양한 행동 시퀀스를 모델링합니다. 또한, 현재 의도와 과거 사이의 간극을 줄이기 위해 의도 진화 추론기를 활용하여 사용자의 의도 이동을 학습합니다. 이러한 다양한 기능을 통해 SIN은 사용자의 실제 관심사를 더 정확하게 추정하고 사용자의 검색 의도를 더 잘 이해할 수 있습니다.

Q: 기존 QAC 시스템의 한계를 극복하기 위해 SIN이 어떻게 설계되었는가?

SIN은 기존 QAC 시스템의 한계를 극복하기 위해 다양한 기능을 통해 설계되었습니다. 먼저, SIN은 의도 모호성(IE) 및 의도 전이(IT) 문제를 해결하기 위해 현재 검색 의도를 표현하는 현재 검색 의도 모델을 도입하고, 역사적 의도를 인코딩하기 위한 역사적 의도 재구성 인코더를 사용합니다. 또한, 의도 진화 추론기를 활용하여 사용자의 의도 이동을 모델링합니다. 이러한 다양한 기능을 통해 SIN은 사용자의 실제 관심사를 더 정확하게 추정하고 IE 및 IT 문제를 효과적으로 해결할 수 있습니다.

Q: SIN의 온라인 A/B 테스트 결과가 실제 비즈니스 성과에 어떤 영향을 미쳤는가?

SIN의 온라인 A/B 테스트 결과는 실제 비즈니스 성과에 긍정적인 영향을 미쳤습니다. SIN은 기존 모델에 비해 클릭 스루율(CTR)을 12.9% 향상시켰고, 검색 고유 방문자(UV)를 17.5% 증가시켰습니다. 이는 SIN이 사용자에게 더 정확한 쿼리를 제공하여 사용자의 검색 요구를 더 정교하게 조정하는 데 성공했음을 보여줍니다. SIN은 현재 1688 웹 사이트의 검색 엔진에 배포되어 매일 주요 트래픽을 처리하고 있습니다. 이를 통해 SIN은 사용자의 실제 관심사를 더 잘 모델링하고 IE 및 IT 문제를 효과적으로 해결하여 비즈니스 성과를 향상시키는 데 성공했습니다.

核心概念

검색 의도 네트워크를 통한 맞춤형 쿼리 자동 완성

摘要

현대 검색 엔진의 중요한 부분인 쿼리 자동 완성(QAC)은 사용자 쿼리를 보완하고 검색 의도를 세분화하는 데 중요한 역할을 합니다.
SIN은 사용자 행동의 다양한 유형의 선호도를 통합하여 실제 관심사를 명확히 구분합니다.
SIN은 의도 모호성(IE) 및 의도 전이(IT) 문제를 효과적이고 효율적으로 해결할 수 있음을 입증했습니다.

ABSTRACT

QAC 시스템은 사용자의 검색 의도를 세분화하여 쿼리 제안 목록을 즉시 제공하여 사용자의 검색 시간 비용을 크게 절약합니다.
SIN은 다양한 행동 시퀀스를 모델링하여 사용자의 실제 관심사를 더 정확하게 추정하고 IE 및 IT 문제를 효과적으로 해결합니다.

INTRODUCTION

검색 엔진에서 전통적인 QAC 시스템은 일치 및 순위 매칭 단계를 따릅니다.
최근 신경망(NN) 기반 방법은 QAC 시스템에서 널리 사용됩니다.
SIN은 다양한 유형의 사용자 행동 시퀀스를 모델링하여 사용자의 실제 관심사를 더 정확하게 추정합니다.

RELATED WORK

초기 CTR-QAC 시스템은 후보 순위 매김을 위해 통계적 특징을 활용했지만 의미 이해가 부족했습니다.
최근 연구는 사용자 경험을 개선하기 위해 QAC를 개인화하는 방법을 탐구하기 시작했습니다.
SIN은 사용자의 관심 이동을 모델링하고 "캐주얼" 선호에 맞는 쿼리를 추천하여 IT 문제를 해결합니다.

客製化摘要

使用 AI 重寫

產生引用格式

翻譯原文

翻譯成其他語言

產生心智圖

從原文內容

前往原文

arxiv.org

統計資料

사용자의 검색 시간 비용을 크게 절약합니다.
SIN은 IE 및 IT 문제를 효과적이고 효율적으로 해결할 수 있음을 입증했습니다.

引述

"SIN은 사용자의 관심 이동을 모델링하고 '캐주얼' 선호에 맞는 쿼리를 추천하여 IT 문제를 해결합니다."
"SIN은 다양한 행동 시퀀스를 모델링하여 사용자의 실제 관심사를 더 정확하게 추정하고 IE 및 IT 문제를 효과적으로 해결합니다."

從以下內容提煉的關鍵洞見

Search Intenion Network for Personalized Query Auto-Completion in E-Commerce

by Wei Bao,Mi Z... 於 arxiv.org 03-06-2024

https://arxiv.org/pdf/2403.02609.pdf

Search Intenion Network for Personalized Query Auto-Completion in E-Commerce

深入探究

검색 의도 네트워크를 통해 어떻게 사용자의 실제 관심사를 더 정확하게 추정할 수 있을까?

SIN은 사용자의 현재 검색 의도를 더 정확하게 추정하기 위해 여러 가지 기능을 활용합니다. 먼저, 현재 검색 의도를 표현하기 위한 현재 검색 의도 인코더를 사용하여 사용자의 현재 관심 상태를 더 감독합니다. 또한, 과거 행동 시퀀스를 인코딩하기 위한 역사적 의도 재구성 인코더를 사용하여 사용자의 다양한 행동 시퀀스를 모델링합니다. 또한, 현재 의도와 과거 사이의 간극을 줄이기 위해 의도 진화 추론기를 활용하여 사용자의 의도 이동을 학습합니다. 이러한 다양한 기능을 통해 SIN은 사용자의 실제 관심사를 더 정확하게 추정하고 사용자의 검색 의도를 더 잘 이해할 수 있습니다.

기존 QAC 시스템의 한계를 극복하기 위해 SIN이 어떻게 설계되었는가?

SIN은 기존 QAC 시스템의 한계를 극복하기 위해 다양한 기능을 통해 설계되었습니다. 먼저, SIN은 의도 모호성(IE) 및 의도 전이(IT) 문제를 해결하기 위해 현재 검색 의도를 표현하는 현재 검색 의도 모델을 도입하고, 역사적 의도를 인코딩하기 위한 역사적 의도 재구성 인코더를 사용합니다. 또한, 의도 진화 추론기를 활용하여 사용자의 의도 이동을 모델링합니다. 이러한 다양한 기능을 통해 SIN은 사용자의 실제 관심사를 더 정확하게 추정하고 IE 및 IT 문제를 효과적으로 해결할 수 있습니다.

SIN의 온라인 A/B 테스트 결과가 실제 비즈니스 성과에 어떤 영향을 미쳤는가?

SIN의 온라인 A/B 테스트 결과는 실제 비즈니스 성과에 긍정적인 영향을 미쳤습니다. SIN은 기존 모델에 비해 클릭 스루율(CTR)을 12.9% 향상시켰고, 검색 고유 방문자(UV)를 17.5% 증가시켰습니다. 이는 SIN이 사용자에게 더 정확한 쿼리를 제공하여 사용자의 검색 요구를 더 정교하게 조정하는 데 성공했음을 보여줍니다. SIN은 현재 1688 웹 사이트의 검색 엔진에 배포되어 매일 주요 트래픽을 처리하고 있습니다. 이를 통해 SIN은 사용자의 실제 관심사를 더 잘 모델링하고 IE 및 IT 문제를 효과적으로 해결하여 비즈니스 성과를 향상시키는 데 성공했습니다.