Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Buchtitelbild

2018 | OriginalPaper | Buchkapitel

Translating Embeddings for Modeling Query Reformulation

verfasst von : Rongjie Cai, Yiqun Liu, Min Zhang, Shaoping Ma

Erschienen in: Information Retrieval

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Query reformulation understanding is important for Information Retrieval (IR) tasks, such as search results reranking and query recommendation. Conventional works rely on the textual content of queries to understand reformulation behaviors, which suffer from data sparsity problems. To address this issue, We propose a novel method to efficiently represent the behaviors of query reformulation by the translating embedding from the original query to its reformulated query. We utilize two-stage training algorithm to make the learning of multilevel intentions representation more adequate. We construct a new corpus of shopping search query log and create a query reformulation graph based on this dataset. Referring to knowledge graph embedding methods, we use the accuracy of intentions prediction to evaluate experimental results. Our final result, an increase of 20.6% of the average prediction accuracy in 21 intentions, shows significant improvement compared to baselines.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Nächstes Kapitel A Deep Top-K Relevance Matching Model for Ad-hoc Retrieval
Literatur
1.
Liu, Y., Wang, C., Zhou, K., Nie, J., Zhang, M., Ma, S.: From skimming to reading: a two-stage examination model for web search. In: ACM International Conference on Information and Knowledge Management, pp. 849–858. ACM (2014)
2.
Huang, J., Efthimiadis, E.N.: Analyzing and evaluating query reformulation strategies in web search logs. In: Proceedings of the 18th ACM Conference on Information and Knowledge Management, pp. 77–86. ACM, November 2009
3.
Sloan, M., Yang, H., Wang, J.: A term-based methodology for query reformulation understanding. Inf. Retr. J. 18(2), 145–165 (2015)CrossRef
4.
Jiang, J.Y., Ke, Y.Y., Chien, P.Y., Cheng, P.J.: Learning user reformulation behavior for query auto-completion. In: Proceedings of the 37th International ACM SIGIR Conference on Research Development in Information Retrieval, pp. 445–454. ACM, July 2014
5.
Dang, V., Croft, B.W.: Query reformulation using anchor text. In: Proceedings of the Third ACM International Conference on Web Search and Data Mining, pp. 41–50. ACM, February 2010
6.
Herdagdelen, A., et al.: Generalized syntactic and semantic models of query reformulation. In: Proceedings of the 33rd International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 283–290. ACM, July 2010
7.
Santos, R.L., Macdonald, C., Ounis, I.: Exploiting query reformulations for web search result diversification. In: Proceedings of the 19th International Conference on World Wide Web, pp. 881–890. ACM, April 2010
8.
Hassan, A., Shi, X., Craswell, N., Ramsey, B.: Beyond clicks: query reformulation as a predictor of search satisfaction. In: Proceedings of the 22nd ACM International Conference on Information and Knowledge Management, pp. 2019–2028. ACM, October 2013
9.
Bouramoul, A., Kholladi, M.K., Doan, B.L.: PRESY: a context based query reformulation tool for information retrieval on the web. arXiv preprint arXiv:​1106.​2289 (2011)
10.
Bordes, A., Usunier, N., Garcia-Duran, A., Weston, J., Yakhnenko, O.: Translating embeddings for modeling multi-relational data. In: Advances in Neural Information Processing Systems, pp. 2787–2795 (2013)
11.
Wang, Z., Zhang, J., Feng, J., Chen, Z.: Knowledge Graph Embedding by Translating on Hyperplanes. In: AAAI, vol. 14, pp. 1112–1119, July 2014
12.
Lin, Y., Liu, Z., Sun, M., Liu, Y., Zhu, X.: Learning entity and relation embeddings for knowledge graph completion. In: AAAI, vol. 15, pp. 2181–2187, January 2015
13.
Xiao, H., Huang, M., Hao, Y., Zhu, X.: TransG: a generative mixture model for knowledge graph embedding. arXiv preprint arXiv:​1509.​05488 (2015)
14.
Ji, G., He, S., Xu, L., Liu, K., Zhao, J.: Knowledge graph embedding via dynamic mapping matrix. In: Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing (Volume 1: Long Papers), vol. 1, pp. 687–696 (2015)
15.
Xiao, H., Huang, M., Hao, Y., Zhu, X.: TransA: an adaptive approach for knowledge graph embedding. arXiv preprint arXiv:​1509.​05490 (2015)
16.
Jia, Y., Wang, Y., Lin, H., Jin, X., Cheng, X.: Locally adaptive translation for knowledge graph embedding. In: AAAI, pp. 992–998, February 2016
17.
Ji, G., Liu, K., He, S., Zhao, J.: Knowledge graph completion with adaptive sparse transfer matrix. In: AAAI, pp. 985–991, February 2016
Metadaten
Titel
Translating Embeddings for Modeling Query Reformulation
verfasst von
Rongjie Cai
Yiqun Liu
Min Zhang
Shaoping Ma
Copyright-Jahr
2018
Buch
Information Retrieval

Print ISBN: 978-3-030-01011-9

Electronic ISBN: 978-3-030-01012-6

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-030-01012-6_1

Neuer Inhalt

    Bildnachweise