基于递归神经网络与注意力机制的动态个性化搜索算法

发布时间：2024-12-26 00:09

　　 个性化搜索已被证明可以有效提高搜素引擎检索质量.大部分个性化搜索算法都是基于用户的历史行为构建用户模型,然后通过比较文档和用户模型的相似度来对原始结果进行个性化重排.本文认为用户查询需求具有动态性和随机性,因此近期的用户查询行为以及与当前查询相关的历史查询行为对个性化当前查询的贡献应当高于其他查询.本文运用递归神经网络来构建用户个性化偏好,对用户兴趣的动态性进行建模,再利用注意力机制根据当前查询动态地对历史用户行为进行加权.和以往对用户兴趣建模的方法不同,本文构建出来的用户模型依赖于当前用户查询的需求.最终,文档得分包括表示用户模型与备选文档相似度的个性化得分,以及查询与文档之间的相关度得分,据此得分排序后的文档列表即为个性化排序结果.实验表明,相比于传统非个性化搜索方法以及现有的个性化搜索模型,本文的动态个性化搜索模型取得了更好的个性化搜索结果,在SLTB个性化搜索模型的基础上将MAP值提升了2.7%.并且通过多项对比实验证明了递归神经网络以及注意力机制的有效性.

【文章页数】：15 页

【文章目录】：
1引言
2相关工作
    2.1个性化搜索
    2.2深度学习在信息检索中的应用
3个性化搜索模型
    3.1用户历史行为建模
        3.1.1用户兴趣建模
        3.1.2用户状态建模
        3.1.3用户个性化偏好生成
    3.2注意力机制
    3.3个性化排序结果生成
4实验与分析
    4.1 实验设置
    4.2 对比模型
    4.3 实验结果分析
        4.3.1 深度学习模型与传统个性化搜索模型对比
        4.3.2 本文模型间对比
        4.3.3 注意力机制的效果
        4.3.4 长短期用户历史建模效果对比
        4.3.5 神经网络与非神经网络模型对比
        4.3.6 有无点击特征的对比
        4.3.7 导航式与非导航式查询对比
5结论
Background



本文编号：4020219