Exploring Query Understanding for Amazon Product Search

在线购物平台，如亚马逊，向全球数十亿人提供服务。与网络搜索或其他搜索引擎不同，产品搜索引擎具有其独特的特征，主要是短查询，这些查询大多是产品属性和结构化产品搜索空间的组合。产品搜索的独特性强调了查询理解组件的至关重要性。然而，有限的研究集中在探索这种影响在实际产品搜索引擎中的作用。在这项工作中，我们旨在通过进行全面的研究并分享我们对如何查询理解服务影响亚马逊产品搜索的一年长时间的旅程来弥合这一差距。首先，我们探讨了基于查询理解的排名特征如何影响排名过程。接下来，我们深入探讨了查询理解系统如何有助于理解排名模型的性能。基于我们在查询理解排名模型评估方面获得的见解，我们提出了一种基于查询理解的多任务学习框架来进行排名。我们使用亚马逊搜索的真实系统展示了我们的研究和调查。

论文旨在探索查询理解服务对亚马逊产品搜索的影响，包括基于查询理解的排名特征如何影响排名过程以及查询理解系统如何有助于理解排名模型的性能。

通过对亚马逊搜索系统的研究，提出了基于查询理解的多任务学习框架，用于排名。

论文使用真实的亚马逊搜索系统进行研究和调查，探索了查询理解对排名过程的影响，并提出了基于查询理解的多任务学习框架。实验设计合理，使用了多个数据集，并提供了开源代码。

在这个领域中，最近的相关研究包括“Learning to Match Using Local and Distributed Representations of Text for Web Search”和“Deep Semantic Matching with Advanced Techniques”。