基于深度学习的个性化搜索技术研究

The vast majority of queries to search engines are ambiguous or broad. Different users may have completely different information needs and goals when using precisely the same query for search. Personalized search provides different search results to different users based upon their interests and preferences, and is one of the effective ways to solve this problem. Lots of methods have been proposed for personalizing search results. However, most of them ignored the complexity, randomness, and the dynamic characteristics of user interests. There is still much space for improving the quality of user profiles and the accuracy of personalized search algorithms. In this project, we will address this problem and aim to improve the quality of personalized search by utilizing deep learning. First, as the basis of the project, we will investigate the representation learning methods for generating better word embedding for personalized search. We then explore the deep learning based user interest modelling methods, and utilize deep neural networks and attention mechanisms for better personalizing search results and improving user satisfaction.

搜索引擎中的查询词往往具有歧义性和模糊性。不同用户即使使用了相同的查询词，也往往具有不同搜索意图。个性化搜索基于用户的知识背景和兴趣爱好返回给用户个性化的结果，是解决查询歧义性问题、提高用户满意度的一种有效方法。目前已经有一系列个性化搜索算法被提出，但在用户建模和个性化排序算法方面仍然存在忽略用户兴趣复杂性、动态性和随机性，用户模型准确度低等问题，个性化算法的质量仍然存在较大改善空间。针对这一问题，本项目拟基于深度学习改进个性化搜索，充分研究针对个性化搜索算法的表示学习方法，基于深度学习的用户兴趣和查询意图建模方法以及基于深度学习和注意力机制的个性化排序学习算法框架，并探索基于深度学习的个性化搜索算法在各种应用中的使用方式，为进一步提高搜索的用户满意度奠定技术基础。

搜索引擎中的查询词往往具有歧义性和模糊性。不同用户即使使用了相同的查询词，也往往具有不同搜索意图。个性化搜索基于用户的知识背景和兴趣爱好返回给用户个性化的结果，是解决查询歧义性问题、提高用户满意度的一种有效方法。目前已经有一系列个性化搜索算法被提出，但在用户建模和个性化排序算法方面仍然存在忽略用户兴趣复杂性、动态性和随机性，用户模型准确度低等问题，个性化算法的质量仍然存在较大改善空间。针对这一问题，本项目基于深度学习改进个性化搜索，充分研究针对个性化搜索算法的表示学习方法，基于深度学习的用户兴趣和查询意图建模方法以及基于深度学习和注意力机制的个性化排序学习算法框架，并探索基于深度学习的个性化搜索算法在各种应用中的使用方式。 在面向个性化搜索的表示学习方法研究方面，提出了面向个性化搜索的上下文表示模型、面向个性化搜索的个人词向量学习模型、基于数据增强和自监督学习的用户预训练表示模型等。在基于深度学习的用户兴趣和查询意图建模方法方面，提出了动态用户兴趣表示模型、基于记忆存储网络的用户兴趣建模方法、融合知识的用户兴趣建模方法、以及融合细粒度时间特征的用户兴趣建模方法；在基于深度学习的个性化搜索算法研究方面，研究了基于有限有噪点击数据的对抗个性化搜索框架、基于强化学习的个性化搜索排序、融合负反馈的个性化搜索模型、会话搜索模型；在个性化搜索算法的应用研究方面，研究了基于联邦学习增强隐私保护的个性化搜索模型、融合推荐的个性化搜索模型、个性化对话检索与生成模型、个性化产品搜索与推荐、搜索结果多样化以及对话式搜索。工作初步构建了个性化搜索技术体系，为提升互联网搜索服务质量、提升用户体验奠定了技术基础。共发表国内外重要学术会议和期刊论文40余篇，申请专利18项，培养博士后1名，博士生10名，培养硕士生19名。