Que2Search: Fast and Accurate Query and Document Understanding for Search at Facebook论文笔记

最新推荐文章于 2025-06-08 20:34:39 发布
最新推荐文章于 2025-06-08 20:34:39 发布
阅读量1k 收藏 2
点赞数 3
分类专栏： 搜索 文章标签： 自然语言处理 搜索
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/chao_1083934282/article/details/120598266
版权
Que2Search是一种用于电商搜索的模型，它通过多任务和多模态训练来理解和匹配query与商品。该模型解决了产品描述噪声、国际化语言、多模态特征处理和响应时间等问题，采用双塔结构，结合XLM编码器，实现了在召回和排序阶段的高效性能。论文表明，Que2Search能显著提升离线和在线搜索相关性，同时保持1.5ms的快速响应时间。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

0、论文资料

论文地址：Que2Search: Fast and Accurate Query and Document Understanding for Search at Facebook | Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining

1、摘要

    提出Que2Search，利用多任务和多模态训练方法，学习query和product的表征，在召回阶段召回query查询想要的商品，主要应用在Facebook的电商搜索平台。

2、介绍

Que2Search是一个query对应product相似度模型，考虑了多模特征和利用XLM编码器提取文本信息，在弱监督的数据集中训练ÿ

最低0.47元/天 解锁文章
Official Program for CVPR 2015
ZhangPY的专栏
03-02 4500
From:  http://www.pamitc.org/cvpr15/program.php   Official Program for CVPR 2015 Monday, June 8 8:30am-8:40am Ballrooms A,B,C Rooms 302,304,306 Opening Remarks from Conference C
cvpr2015papers
ZhangPY的专栏
03-02 9265
@http://www-cs-faculty.stanford.edu/people/karpathy/cvpr2015papers/ CVPR 2015 papers (in nicer format than this) maintained by @karpathy NEW: This year I also embedded the (1,2-gram) tfidf
Facebook的多任务多模态向量召回模型Que2Search
u013250861的博客
03-06 534
对于一个搜索系统来说，通常采用的召回都是基于倒排索引的召回，简单来说就是需要对item侧建立倒排索引，在检索的过程中，对query分词，根据分词结果去倒排索引中查找词匹配的item，简单的流程如下图所示：在传统的检索过程中，通常存在语义上的问题，比如Query为“连衣裙”，此时根据词匹配就检索不到核心词为“长裙”的item，为了解决这样的问题，需要对Query进行扩展，将其扩展成相似的query，以此来实现语义匹配的问题。当然，词匹配的方式的一大优势就是相关性解决的比较好。
KDD2021| 工业界搜推广nlp论文整理
abcdefg90876的博客
07-13 1701
本文整理了KDD21的Accepted Papers[1]中，工业界在搜索、推荐、广告、nlp上的文章。整理的论文列表比较偏个人口味，选取的方式是根据论文作者列表上看是否是公司主导的，但判...
升级换代！Facebook全新电商搜索系统Que2Search
Kaiyuan_sjtu的博客
10-28 849
大家好，我是kaiyuan。关于前沿技术在工业界的实践落地应用，我们之前分享过一些文章：大规模搜索+预训练，百度是如何落地的？KDD'21 | 淘宝搜索中语义向量检索技术全方位解读 | F...
涨点利器：推荐系统中对双塔模型的各种改造升级（上）
Kaiyuan_sjtu的博客
10-18 2802
双塔各种改造方法概览：大型推荐系统通常会将整个推荐链路拆分成召回、粗排、精排和重排等多个模块，以达到推荐效果和计算性能之间的平衡。由于召回模型的候选item通常是海量的全库物品、粗排模型的候选item是上百路召回合并后的物品集，在面临海量候选物品进行粗筛的场景下，双塔结构不仅排序速度快、模型线上效果也不差，且在工业界实战价值很高，因此双塔结构在召回和粗排环节的模型选型中被广泛采用。Microstr...
【经典论文阅读5】Que2Search—Facebook移动电商召回工作中的碎碎念
说文科技，做有态度的研究。
04-21 1056
这一篇发表于2021年KDD上检索方向的文章，继承了Facebook论文一贯的工业风格。让我感触颇深的有两点。第一是文中那句`There is no silver bullet for retrieval`。我的工作经验也告诉我，基于语义的召回无法解决所有问题。第二则是召回模块需要综合recall、precision、CPU利用率和时延等诸多方面。尽管我已对百度搜索的召回流程比较熟悉了，但是坦白说，我还没从未在整体架构的高度上去宏观地考虑算法落地。这篇文章的作者手把手地告诫大家检索工作上的重点二三事儿！
Que2Search（上）：FaceBook新一代query搜索召回模型分享
u013250861的博客
02-16 1063
笔者一直强调，看一篇paper或者一个新模型，最有价值的东西并不是模型的结构或技术，而是作者所遇到的场景、问题和需求。模型和技术只是作者应对这些问题所给出的方案，知晓问题才能知晓如何解决问题，这些问题很有可能你在业务中也遇到了只是你甚至都没发现它们的存在。Que2Search结构图我们先看看Que2Search的整体架构，仍然是经典的双塔结构，query塔侧的输入信息相对较少，结构也比较简单。作者主要在document塔侧下了很大的功夫，这些都是为了解决2.3中提到的商品理解的问题。
KDD'21 | 揭秘Facebook升级版语义搜索技术
Kaiyuan_sjtu的博客
10-02 896
上一篇分享了KDD'21 | 淘宝搜索中语义向量检索技术Que2Search: Fast and Accurate Query and Document Understanding for...
【电商搜索】现代工业级电商搜索技术-Facebook语义搜索技术QueSearch
09-28 1478
本文要介绍的这篇论文是Facebook发表在KDD 2021的ADS Track的论文。通常情况下，论文所描述的问题和解决方案，与公司实际业务中遇到的现实问题有密切关联。这篇论文介绍了“Que2Search”，这是Facebook部署的一个查询和产品理解系统(如下图1)，用于搜索功能。该系统通过多任务和多模态学习方法来训练查询和产品表示，实现了超过 5% 的绝对离线相关性改进和超过 4% 的在线参与度提升。
【每日一读】Efficient Optimization Methods for Extreme Similarity Learning with Nonlinear Embeddings
海到无边天作岸 山登绝顶我为峰
09-24 1078
Hello！ଘ(੭ˊᵕˋ)੭昵称：海轰标签：程序猿｜C++选手｜学生简介：因C语言结识编程，随后转入计算机专业，获得过国家奖学金，有幸在竞赛中拿过一些国奖、省奖…已保研学习经验：扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语！唯有努力💪【每日一读】每天浅读一篇论文，了解专业前沿知识，培养阅读习惯（阅读记录 仅供参考）原文链接：https://dl.acm.org/doi/10.1145/3447548.3467363。
【机器学习】数据不平衡问题都怎么解？
fengdu78的博客
12-04 454
作者|Chilia整理|NewBeeNLP本文主要讨论两种不平衡问题。一是数据的类别本来就不平衡，比如在广告CTR预估中，可能90%的广告都不会被点击，只有一少部分被点击;...
【转】训练数据不平衡问题都怎么解？
Toby的博客
12-05 1723
作者|Chilia 整理|NewBeeNLP 本文主要讨论两种不平衡问题。 一是数据的类别本来就不平衡，比如在广告CTR预估中，可能90%的广告都不会被点击，只有一少部分被点击; 二是由于误分类cost的不对称性(asymmetric cost)，例如把non-spam 分成spam的代价要远大于把spam分成non-spam。 在这篇文章中，我将介绍两大类方法：一是通过采样而改变数据集，二是修改训练策略。 1. 从数据层面解决 – 重采样 (Resampling)...
NLP学习路线图（二十三）：长短期记忆网络（LSTM）
2501_91516851的博客
06-04 977
长短期记忆网络（LSTM）通过创新的门控机制解决了传统RNN的梯度消失问题。其核心是记忆单元和三个门（遗忘门、输入门、输出门），能够选择性保留长期依赖信息。相比RNN，LSTM的线性信息流使梯度有效传播，门控机制动态调节信息流动。LSTM在文本分类、序列标注、机器翻译等NLP任务中表现优异，并衍生出GRU、双向LSTM等变体。伪代码展示了LSTM单元的基本实现逻辑，包括门控计算和状态更新过程。
NLP学习路线图（二十九）：BERT及其变体
2501_91516851的博客
06-06 912
在自然语言处理（NLP）领域，一场静默的革命始于2017年。当谷歌研究者发表《Attention is All You Need》时，很少有人预料到其中提出的Transformer架构会彻底颠覆NLP的发展轨迹，更催生了以GPT系列为代表的语言模型风暴，重新定义了人类与机器的交互方式。
自然语言处理——语言模型
最新发布
m0_74259787的博客
06-08 726
介绍了常见语言模型，包括n元文法和前馈神经网络
RAG技术解析：实现高精度大语言模型知识增强
一次次探索代码无限可能的旅程，专注于前端、后端、服务器及AI大模型的分享和交流。与我一起踏上这段无尽的技术之旅吧！
06-04 1089
RAG技术为大语言模型注入了"外部记忆"能力，使其能够基于最新和专有知识提供准确回答，有效克服了大模型"幻觉"问题。相比传统的微调方法，RAG具有实现成本低、部署简单、知识可实时更新等优势，特别适合企业级应用场景。随着向量数据库、嵌入模型和提示工程技术的不断进步，RAG系统的性能还将持续提升，为各领域的智能问答和知识服务带来更大价值。
赋能大型语言模型与外部世界交互——函数调用的崛起
weixin_47420447的博客
06-06 1081
函数调用，或称工具使用，其核心定义是一种使大型语言模型能够根据用户的自然语言输入，请求执行外部系统中预先定义好的函数或API的技术。在此过程中，LLM本身并不直接执行这些函数；相反，它会分析用户意图，并生成一个包含目标函数名称及其所需参数的结构化数据（通常为JSON格式）1。这个结构化数据随后被传递给外部的应用程序或执行环境，由后者负责实际调用函数并处理结果。
semantic flow for fast and accurate scene parsing
03-16
语义流是一种用于快速准确场景解析的技术。它通过将场景分解成多个语义区域，并将它们连接成一个图形模型，来实现对场景的深入理解和分析。这种方法可以有效地提高场景解析的准确性和速度，为计算机视觉和机器学习等领域的应用提供了重要的支持。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值