亞馬遜正在使用AI和機器學習來根據客戶的查詢預測上下文。在預定于本月舉行的ACM SIGIR人類信息交互與檢索會議上接受的預印本中，亞馬遜研究人員描述了一種系統(tǒng)，該系統(tǒng)可根據“阿迪達斯男式褲子”等查詢來預測“跑步”等活動。它可以幫助提高Amazon.com上搜索結果的質量，從而可以改善整體Amazon購物體驗。

正如特約作者兼Amazon Search客戶體驗應用科學家Adrian Boteanu在博客文章中解釋的那樣，大多數產品發(fā)現(xiàn)算法都在查詢和產品之間尋找關聯(lián)。相比之下，研究人員的AI根據使用情況確定最佳匹配項。

為了對系統(tǒng)進行培訓，團隊根據通用產品匯總了173種使用環(huán)境類別的列表，分為112種活動(例如閱讀，清潔和跑步)和61位受眾(例如孩子，女兒，男人和專業(yè)人員)查詢。他們使用標準參考文本為用于表示類別的術語創(chuàng)建別名，然后搜尋與數百萬種產品相關的語料庫，以查詢字符串以查看類別術語及其別名的評論。如果在給定產品的任何評論中出現(xiàn)了原始類別術語或別名，則該產品將標記有相應的類別術語。

上述語料庫根據親和力得分(從1到15)將字符串與產品相關聯(lián)，其中低得分表示弱相關性。為了訓練使用上下文的預測器，研究人員生成了另一個數據集，其中每個條目都包含三個數據項：查詢;產品ID，使用上下文類別進行注釋;以及查詢產品親和力得分。該數據集被分為兩個較小的集合，一個根據活動進行注釋，另一個根據受眾進行注釋，用于訓練六個不同的機器學習模型。

每個模型都經過培訓，可以根據查詢字符串預測使用環(huán)境，在測試中，效果最好的模型可以預測產品注釋，其中活動類別的準確性為97%，受眾類別的準確性為92%。當向人類審閱者顯示由活動模型生成的類別的按等級排序的列表時，審閱者同意平均81%的時間接受系統(tǒng)的逐項預測。

“這表明我們的系統(tǒng)確定的使用環(huán)境可以幫助產品發(fā)現(xiàn)算法提供更相關的結果，從而改善客戶體驗。此外，生成培訓數據所需的最低限度的人力監(jiān)督意味著我們的方法可以以相對較少的努力擴展到新的類別，”博客文章說。