[2019] Context Attentive Document Ranking and Query Suggestion

[IkokObi]

ざっくり言うと

• ユーザの検索の過程を活用し，文書表示のランク最適化とquery suggestionをマルチタスク学習する(CARS: Context Attentive document-Ranking and query-Suggestion)
• 検索過程を階層的にembedding
  • クエリキーワードや1つの文書を固定長のベクトルにencodeするLower-levelのembedding
  • 一連の検索過程で入力されたキーワードの組，及びクリックされた文書をencodingするUpper-level embedding
• embeddingではbi-LSTMのattention重み付き和を用いる
• 内部状態やパラメータを一部共有することでマルチタスク学習を有効活用している

キーワード

• IR
• query suggestion
• Learn to rank
• RNN
• Attention

1. 情報

論文リンク

https://dl.acm.org/citation.cfm?doid=3331184.3331246

著者

Wasi Uddin Ahmad, Kai-Wei Chang, Hongning Wang

投稿日付

2019/7/21-25 (SIGIR 2019)

2. 先行研究と比べてどこがすごい？

3. 技術や手法のキモはどこ？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

7. 実装の詳細

8. データセット

9. 結果の詳細

[IkokObi]

雑感&メモ

• 同じ著者でICLR 2018にて先行研究をしており([2018]Multi-Task Learning for Document Ranking and Query Suggestion #13)，その時はattentionや過去にクリックされた文書は用いていなかった
• [2015]A Hierarchical Recurrent Encoder-Decoder For Generative Context-Aware Query Suggestion #14, [2017]Match-Tensor: a Deep Relevance Model for Search #20 に関連した流れの研究方向
• ablation studyでデータが少なくても学習が進むと述べているが，それでも約40,000 task(検索セッション)，100,000 queryになるので，結構多い