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

Query Auto-Completion（QAC）作为现代搜索引擎的重要组成部分，在补充用户查询和帮助用户细化搜索意图方面起着关键作用。在实际场景中，今天的QAC系统面临着两个主要挑战：1）意图模糊性（IE）：在用户输入过程中，前缀通常包含字符和子单词的组合，使得当前意图模糊且难以建模。2）意图转移（IT）：以往的研究基于用户的历史查询序列进行个性化推荐，但忽略了搜索意图的转移。然而，从前缀中提取的当前意图可能与历史偏好相反。

本文旨在解决查询自动补全(QAC)中的意图歧义和意图转移问题。这是一个新的问题。

本文提出了一种基于序列到序列模型和注意力机制的QAC模型，利用历史查询序列和当前查询前缀来预测下一个单词。同时，还提出了一种基于意图相似性的意图转移方法，以解决意图转移问题。

本文的实验使用了两个真实数据集，并与多种基准模型进行了比较。结果表明，所提出的模型在意图歧义和意图转移方面都取得了显著的改进。此外，本文还提供了开源代码和预训练模型，方便其他研究者进行进一步研究。

最近的相关研究包括：1.《Neural Query Auto-Completion》；2.《Personalized Query Auto-Completion via Joint Representation Learning》；3.《A Deep Relevance Matching Model for Ad-hoc Retrieval》。