注册 / 登录

搜索中的带区域化和个性化的自动补全和自动建议技术

分会场:  人工智能/AI驱动/AI实践

 

案例来源 :

案例讲师

叶旭刚

Zillow Principal Applied Scientist

机器学习和数据科学领域资深专业人士。现任美国最大房地产搜索引擎Zillow的主任应用科学家, 从事房地产垂直领域的搜索以及自然语言理解的研发。曾在美国苹果公司任主任数据科学家, 从事客服搜索的研发。并曾在美国微软公司任高级应用科学家, 从事网页搜索、地区搜索、企业搜索的研发。约翰霍普金斯大学应用数学及统计博士, 并曾在美国国立健康研究所从事生物信息统计博士后研究。曾获约翰霍普金斯大学博士全额研究奖, 美国国立健康研究所优秀人才奖, 海军研究部研究专款等。曾在运筹统计、生物信息、大数据及机器学习方面的期刊及会议发表多篇第一作者文章。在顶级会议(NIPS, INFORMS, SIAM, ICML, ISMB, CIKM)做过报告。

扫描二维码分享案例

 

案例简述

 

自动补全和自动建议是搜索领域里重要的议题。智能的自动补全和自动建议可以帮助用户快速表达搜索意图。这一点在用户搜索越来越多地从桌面设备转向移动设备这一趋势下越来越重要。这个报告侧重房地产搜索这一垂直领域。

 

案例目标

 

美国房地产搜索最常见的场景是用户查询为地址、地名、学校名、邮编、地标等。用户经常会发现这些查询的标准写法很难拼写。自动补全和自动建议的目的就是在用户只输入很少的字母、数字或符号的情况下推断用户的意图,以及推荐标准化的查询。

 

成功(或教训)要点

 

实现这一目的需要构建一套该垂直领域的知识图谱、词汇表、字典树数据结构,以及相关性概率的数学模型。这个报告采用基于贝叶斯原则和条件独立及非条件独立的简化假设把相关性概率分解成区域化和个性化两个部分。在具体实现时采用两阶段贪婪排序。也就是先用区域化的相关性概率来找到一个搜索结果列,再对这个列计算个性化打分从新排序。这个报告还将介绍基于用户点击的评价指标和实验计算结果。这些指标包括用户输

 

案例ROI分析

 

受限公司政策,此部分无法完整说明。

 

案例启示

 

通过这个报告,学员可以了解自动补全和自动建议的一个全貌和具体在一个垂直领域是如何建模、设计和实现的。学员可以把该模型和技术移植到他们自己的搜索领域。比如说常见的场景是开发商品搜索或专业知识搜索的移动应用。

 

领取大会PPT

我要参会

大会全套演讲PPT

立即领取

大会即将开幕,点击抢票!

我要参会