预测用户搜索意图：基于神经网络的使用场景识别技术
在电子商务平台中，当用户输入"防水女鞋"这类查询时，其背后可能隐藏着截然不同的使用场景：可能是为了通勤途中防雨，也可能是为徒步旅行做准备。传统产品发现算法通常关注查询与产品的关联性，但最佳匹配结果往往取决于具体的使用场景。
技术实现方案
数据分类体系
首先建立包含173个类别的使用场景分类体系，其中112个为活动类别（如阅读、清洁、跑步），61个为受众类别（如儿童、女儿、男性、专业人士）。该分类由领域专家基于常见产品查询确定。
自动化数据准备
采用自动化流程准备训练数据：
- 使用标准参考文本为类别术语创建别名（如"mother"的别名包括"mum"、“mom"等）
- 通过内部数据集关联数百万产品与查询字符串
- 扫描产品评论中出现的类别术语或其别名，进行二元分类标注
- 利用1-15分的亲和度评分表示查询-产品关联强度
模型训练
使用卷积神经网络训练六个机器学习模型：
- 将数据按活动和受众类别分为两个数据集
- 每个数据集分别设置亲和度阈值15和8
- 采用二元交叉熵和B加权二元交叉熵两种损失函数
- 最佳模型使用亲和度阈值8的普通二元交叉熵
性能表现
测试结果显示：
- 活动类别预测准确率达到97%
- 受众类别预测准确率达到92%
- 人工评审员与系统预测的平均一致率为81%
应用价值
该方法可通过识别使用场景显著提升产品发现算法的相关性，改善用户体验。同时，训练数据准备所需的人工监督极少，使得该方法能够以较小成本扩展到新的类别领域。
本文相关研究发表于CHIIR 2020会议，完整论文标题为《使用客户评论进行主观搜索意图预测》。