AI Guided Accelerator For Search Experience
作者: Jayanth Yetukuri, Mehran Elyasi, Samarth Agrawal, Aritra Mandal, Rui Kong, Harish Vempati, Ishita Khan
分类: cs.IR, cs.LG
发布日期: 2025-07-25 (更新: 2025-10-16)
备注: Accepted at SIGIR eCom'25. https://sigir-ecom.github.io/eCom25Papers/paper_25.pdf
💡 一句话要点
提出AI引导的加速器，通过建模用户搜索轨迹优化电商搜索体验
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 电商搜索 查询重构 用户意图建模 大型语言模型 搜索轨迹挖掘
📋 核心要点
- 传统电商搜索的查询重构方法忽略了用户搜索行为的序列性和过渡性，导致推荐结果不佳。
- 通过挖掘用户搜索轨迹，建模用户意图的演变过程，并利用LLM生成多样化的相关查询。
- 实验表明，该方法在转化率和用户参与度方面优于现有相关搜索模块，提升了电商搜索体验。
📝 摘要（中文）
有效的查询重构对于缩小用户探索性搜索行为与电商环境中识别相关产品之间的差距至关重要。传统方法主要将查询重写建模为孤立的配对，但往往未能捕捉到真实用户行为中固有的顺序和过渡动态。本文提出了一个新颖的框架，显式地建模过渡查询——用户在最终购买意图的过程中产生的中间重构。通过挖掘eBay大规模用户交互日志中的结构化查询轨迹，我们重构了反映意图转变同时保持语义一致性的查询序列。这种方法允许我们对用户的购物漏斗进行建模，其中旅程中的过渡反映了探索性行为和意图细化。此外，我们结合生成式大型语言模型（LLM）来生成语义多样且保持意图的替代查询，超越了仅通过协同过滤可以获得的范围。这些重构可以用于填充相关搜索或在搜索结果页面上支持意图聚类轮播，从而增强发现和参与度。我们的贡献包括（i）过渡查询的正式识别和建模，（ii）引入用于意图流理解的结构化查询序列挖掘管道，以及（iii）应用LLM进行可扩展的、意图感知的查询扩展。经验评估表明，与现有的相关搜索模块相比，转化率和参与度指标有显著提高，验证了我们的方法在真实电商环境中的有效性。
🔬 方法详解
问题定义：现有电商搜索的查询重构方法通常将查询视为孤立的个体，忽略了用户在搜索过程中的意图演变和行为序列。这种孤立的处理方式无法准确捕捉用户的真实搜索意图，导致推荐的相关搜索或商品不够精准，用户体验不佳。
核心思路：本文的核心思路是显式地建模用户搜索过程中的“过渡查询”，即用户在最终确定购买意图前产生的中间查询。通过分析用户搜索轨迹，理解用户意图的演变过程，并利用大型语言模型生成多样化的、意图相关的查询建议，从而更准确地满足用户需求。
技术框架：该框架主要包含以下几个阶段：1) 查询轨迹挖掘：从eBay的大规模用户交互日志中提取结构化的查询序列，这些序列反映了用户意图的转变。2) 过渡查询建模：对提取的查询序列进行分析，识别并建模“过渡查询”，即用户在搜索过程中产生的中间查询。3) LLM查询扩展：利用生成式大型语言模型（LLM）生成语义多样且保持意图的替代查询，扩展相关搜索的范围。4) 应用部署：将生成的查询建议应用于相关搜索模块或意图聚类轮播，提升用户搜索体验。
关键创新：该方法最重要的创新点在于对“过渡查询”的显式建模。与传统方法只关注初始查询和最终查询不同，本文深入挖掘用户在搜索过程中的中间状态，从而更全面地理解用户意图。此外，结合LLM进行查询扩展，突破了协同过滤的局限性，生成更丰富、更相关的查询建议。
关键设计：在查询轨迹挖掘阶段，需要设计有效的算法来识别和提取有意义的查询序列。在LLM查询扩展阶段，需要设计合适的prompt，引导LLM生成符合用户意图的查询建议。此外，还需要考虑如何将生成的查询建议有效地整合到现有的搜索系统中，例如，如何根据用户意图对查询建议进行排序和展示。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在实际电商环境中取得了显著的性能提升。与现有的相关搜索模块相比，转化率和用户参与度指标均有明显提高，验证了该方法在提升用户搜索体验方面的有效性。具体的性能数据（例如，转化率提升百分比）在论文中进行了详细描述。
🎯 应用场景
该研究成果可广泛应用于电商平台的搜索优化，提升用户购物体验。通过更精准的查询推荐和意图引导，可以提高商品发现率和转化率。此外，该方法还可以应用于其他搜索场景，例如知识库搜索、问答系统等，帮助用户更快地找到所需信息。未来，可以进一步探索个性化查询重构，为不同用户提供定制化的搜索体验。
📄 摘要（原文）
Effective query reformulation is pivotal in narrowing the gap between a user's exploratory search behavior and the identification of relevant products in e-commerce environments. While traditional approaches predominantly model query rewrites as isolated pairs, they often fail to capture the sequential and transitional dynamics inherent in real-world user behavior. In this work, we propose a novel framework that explicitly models transitional queries--intermediate reformulations occurring during the user's journey toward their final purchase intent. By mining structured query trajectories from eBay's large-scale user interaction logs, we reconstruct query sequences that reflect shifts in intent while preserving semantic coherence. This approach allows us to model a user's shopping funnel, where mid-journey transitions reflect exploratory behavior and intent refinement. Furthermore, we incorporate generative Large Language Models (LLMs) to produce semantically diverse and intent-preserving alternative queries, extending beyond what can be derived through collaborative filtering alone. These reformulations can be leveraged to populate Related Searches or to power intent-clustered carousels on the search results page, enhancing both discovery and engagement. Our contributions include (i) the formal identification and modeling of transitional queries, (ii) the introduction of a structured query sequence mining pipeline for intent flow understanding, and (iii) the application of LLMs for scalable, intent-aware query expansion. Empirical evaluation demonstrates measurable gains in conversion and engagement metrics compared to the existing Related Searches module, validating the effectiveness of our approach in real-world e-commerce settings.