Reformulación de Consultas de Cola para Búsquedas de Productos
La consulta de búsqueda de productos en e-commerce puede involucrar que un usuario introduzca una consulta textual, y un motor de búsqueda subyacente devuelve una lista ordenada de productos en respuesta a dicha consulta. Las tecnologías proporcionadas permiten la reformulación de consultas de cola a consultas de cabeza con la misma intención de compra mediante el mapeo de la consulta de cola a la consulta de cabeza. Esto es especialmente relevante en entornos de comercio electrónico, donde las consultas de cola pueden carecer de datos históricos de comportamiento que faciliten su procesamiento.
Desafíos en Consultas de Cola
El rendimiento de los motores de búsqueda es generalmente efectivo para consultas de cabeza (consultas frecuentes) debido a la abundancia de señales históricas de comportamiento. Sin embargo, para las consultas de cola (consultas infrecuentes), el rendimiento puede ser considerablemente peor. Las consultas de cola y las búsquedas relacionadas en e-commerce tienen características que pueden agravar este problema:
- Brevedad y estructura: Las consultas pueden ser cortas y carecer de una estructura gramatical clara.
- Falta de datos relevantes: Las búsquedas no consideran menciones en sitios externos para determinar la relevancia.
- Cambios en el catálogo: La diversidad del catálogo de productos puede cambiar frecuentemente, lo que dificulta la búsqueda de resultados exactos.
Proceso de Reformulación
Para reformular consultas de cola, se puede emplear un sistema que genere un modelo de mapeo. Este modelo está diseñado para transformar una consulta de cola en una consulta de cabeza con una intención de compra similar. La siguiente es una representación general del proceso:
- Acceso a datos etiquetados: Se accede a pares de consultas históricas etiquetadas, donde cada par incluye una consulta de cabeza y una etiqueta que representa la similitud de compra.
- Entrenamiento del modelo: Se entrena un modelo de aprendizaje automático utilizando los datos etiquetados para mapear consultas de cola a consultas de cabeza.
- Generación de consultas: Se recibe una consulta de cola y se aplica el modelo para generar la consulta de cabeza correspondiente.
- Obtención de resultados: Se utiliza la consulta de cabeza para generar una lista de productos en respuesta a la consulta de cola.
Implementación de Aprendizaje Contextual
Se pueden aplicar técnicas de muestreo contextual y técnicas de bandido para refinar el modelo y mejorar la precisión de la reformulación. Esto incluye la utilización de un oracle que proporciona información de categoría de productos, permitiendo al sistema corregir errores introducidos por ruido persistente en los datos. Esto se traduce en una mayor capacidad para mapear consultas de cola a consultas de cabeza de manera efectiva.
Resultados y Comparativas
Los experimentos numéricos realizados demuestran que las tecnologías para la reformulación de consultas de cola superan los enfoques convencionales en términos de precisión y relevancia. A través de diversos modelos de mapeo, se ha observado que la combinación de la puntuación BLEU y la información de intención de compra proporciona un enfoque robusto para mejorar la calidad de los resultados de búsqueda.
Para ilustrar los resultados, se presentan comparaciones de modelos con métricas como la Fracción de Mismatches (FM) y Fracción de Consultas Densas de Mismatches (FMDQ), donde se evidencian mejoras significativas en los modelos implementados en comparación con los modelos de referencia.
Conclusión
En resumen, las tecnologías para la reformulación de consultas de cola están diseñadas no solo para abordar los problemas inherentes de las consultas infrecuentes, sino también para mejorar la experiencia del usuario en entornos de e-commerce mediante resultados de búsqueda más relevantes y precisos.
Para más información, consulta el documento original en US11704714B2.
