在商品搜索模型中，个性化的引入不仅会改善用户的搜索体验，也会为电商公司提供更高的收益。近年来，研究人员针对如何在商品搜索中引入个性化开展了大量工作。本文对个性化商品搜索的相关研究进行了整理与分析。

    近年来，随着互联网的蓬勃发展，电子商务变得越来越流行。当用户在购物网站上购买商品时，搜索引擎会根据用户递交的查询，搜索出相关商品的排序列表，帮助用户挑选商品。然而，用户递交的查询通常仅由几个关键词组成，其表达的意图往往模棱两可，无法反映用户潜在的搜索意图，进而导致搜索结果不尽如人意。除此以外，用户对商品的偏好可能是多样化的，如受到年龄，性别，以及当前环境的影响。因此对于相同的查询，向不同的用户返回相同的搜索结果显然是不合适的。为了改善搜索性能，搜索引擎应当利用用户的历史行为（如评论，评分等）建模出用户的喜好，从而检索出满足用户搜索意图的商品，也即个性化商品搜索。本文整理了个性化商品搜索模型的部分研究进展，欢迎大家批评和交流。

 

包括以下论文：

  1. Learning a Hierarchical Embedding Model for Personalized Product Search (SIGIR 2017)
  2. Attentive Long Short-Term Preference Modeling for Personalized Product Search (TOIS 2019)
  3. A Zero Attention Model for Personalized Product Search (CIKM 2019)
  4. A Transformer-based Embedding Model for Personalized Product Search (SIGIR 2020)
  5. Explainable Product Search with a Dynamic Relation Embedding Model (TOIS 2019)
  6. Structural Relationship Representation Learning with Graph Embedding for Personalized Product Search (CIKM 2020)
  7. IHGNN: Interactive Hypergraph Neural Network for Personalized Product Search (WWW 2022)
  8. Learning a Fine-Grained Review-based Transformer Model for Personalized Product Search (SIGIR 2021)

内容中包含的图片若涉及版权问题，请及时与我们联系删除