在淘宝、天猫等电子商务平台上，商家通常会为搜索引擎优化（SEO）编写冗余的产品标题。特别是在APP等有限的显示空间场景中，过长的产品标题往往不能完全显示，只能被截断，严重影响用户体验。非常具有挑战性的任务。
    
     以往的标题摘要方法往往需要大量的人工预处理，成本较高，没有考虑电子商务场景中点击率、转换率等指标的特殊需求。使用用户搜索日志进行LE压缩。
    
     该方法同时执行两个序列对序列学习任务：主要任务是基于指针网络模型生成从原始标题到短标题的提取摘要，辅助任务是基于注意机制的编码器-解码器模型。生成从原始标题到相应产品的查询。两个任务共享网络编码参数。在训练过程中，对两个任务在原标题上的注意力分布进行联合优化，使得两个任务对原标题中重要信息的注意力尽可能一致。
    
     离线手动评价和在线实验证明，多任务学习方法生成的短标题不仅保留了原标题的核心信息，而且揭示了用户的搜索查询信息，保证了事务转换不受影响。
    
     商品名称是买卖双方在商务平台上进行沟通的重要媒介。用户在搜索入口处输入查询搜索，在搜索结果页面（SRP）上浏览商品列表，选择目标商品，最后完成购买。用户的购买决策。丰富和非冗长的标题可以极大地提高终端用户体验。
    
     据《中国互联网发展统计报告》40日报道，到2017年6月，中国移动互联网用户已达到7.24亿，使用移动电话的互联网用户比例从2016年底的95.1%上升到96.3%。由于跳跃活动已经从PC转移到无线(APP)，两者之间的差距进一步扩大，各大电子商务平台的资源也趋向于各自的APP。通常，智能手机显示屏在4.5至5.5英寸之间，这比PC屏幕的尺寸小得多。它对算法和产品设计提出了新的要求。
    
     目前，陶氏商品的名称主要是商人写的。为了提高搜索召回率，促进交易，商家经常在标题中堆积大量的冗余词。当用户在手机上浏览时，由于屏幕大小的限制显示不完整，商品的长标题只能被截断，这严重影响了用户身体。
    
     如图1所示，在SRP页面上，商品的原始标题不完整，只能显示14个短标题。如果用户想要获得完整的标题，则需要进一步单击以进入商品详细信息页面。商品的原始名称包含近30个单词，此外，在个性化的推荐和推荐场景中，作为信息主体的商品短标题在长度上有一定的局限性。如何使用尽可能短的文本来反映商品的核心属性，激发用户点击浏览的兴趣，提高转化率是一个值得深入研究的问题。
    
     图1。用户搜索破花连衣裙和长袖。搜索结果页上的产品的原始标题太长，无法完全显示。只有点击细节页面才能看到完整的标题。
    
     文本摘要(压缩)是自然语言处理的重要研究方向之一，根据摘要的生成方式，文本摘要可分为提取型和生成型两种，顾名思义，提取法生成的抽象句子和词语是外来的。TED来自原文，而生成方法更灵活。抽象的句子和词语不一定需要从原始文本中提取，传统的提取摘要方法大致可以分为贪婪方法、基于图的方法和基于约束的优化方法。目前业界普遍采用的方法是以压缩文章长度为优化目标，实现文本摘要。在电子商务场景中，除了文本压缩率之外，还有其他考虑因素。如何在不影响整体交易转化率的前提下，简化商品名称的长度，已成为业界的难题。
    
     如图2所示，本文提出的多任务学习方法包括两个序列对序列任务。主要任务是压缩商品标题，从商品原标题中生成短标题，使用指针网络模型，通过注意机制从原标题中选择关键字输出；辅助任务是搜索由商品原标题生成的查询生成。原始标题生成搜索查询，采用带注意机制的编解码器模型，两个任务共享编码网络参数，共同优化原始标题的注意力分布，使两个任务对重要信息的注意力集中于原标题尽可能的一致。引入辅助任务可以帮助导演保留原标题中信息量较大的单词，吸引更多的用户点击。因此，我们构造了两个任务的训练数据。导演使用的数据是女装类商品的原始名称，以及手涛推荐频道负责人改写的商品的短标题。辅助任务使用的数据是女装类别下商品的原始标题以及指导交易进行搜索查询的相应用户。
    
     我们利用淘宝女装分类的标题数据进行实验，并对五种不同的文本摘要方法进行了比较：第一种是基于目标长度的直接截断的基线方法（Trunc），第二种是经典的整数线性规划（ILP）。其中需要对标题进行预处理，如分词、NER、词语加权等；第三种是基于指针网络实验(Ptr-Net)的编解码器提取方法；第四种是传统的整数线性规划方法(ILP)。直接将两个子任务的损失函数作为整体损失函数进行优化（Vanilla-MTL）；
    
     表1通过计算生成的短标题和参考短标题之间的三个ROUGE得分作为自动评价的结果，比较了不同的文本摘要方法，本文提出的多任务学习方法明显优于其他方法。
    
     表2显示了不同方法产生的短标题的比较。由于电子商务场景中核心产品词的敏感性，除了常见的可读性和信息完整性指标之外，我们还比较了从表2的结果来看，本文提出的方法在三个指标上优于其他方法。
    
     除了离线自动评价和手动评价之外，我们还在真实的在线环境中测试了AB。与原有ILP压缩方法相比，本文提出的多任务学习方法CTR和CVR分别提高了2.58%和1.32%。
    
     图3显示了用不同方法产生的短标题的实例。受预处理结果的影响，由直接截断和ILP产生的短标题的流畅性和可读性较差，而Ptr-Net和多任务学习属于序列到序列方法，并且通过直接截断和ILP生成的短标题的可读性优于两种基线。在用户搜索的查询中，我使用的比中文品牌名称更多），这更容易促进交易。
    
     C2C电子商务平台由于过度的商业SEO，其产品标题往往过长、冗余，无法在APP端完全显示。
    
     传统的摘要方法在保持原有标题语义的同时，只实现标题压缩，没有考虑电子商务场景对压缩产品的点击率和事务转换率的影响，电子商务平台已经积累了相当大的规模。e的用户数量搜索查询和商品交易信息，利用这部分数据我们可以更具体地压缩原来的长标题。
    
     因此，我们提出了一种多任务学习的标题压缩方法，包括两个连续的学习子任务：主要任务是基于指针网络模型从原始标题生成摘要到短标题，辅助任务是生成提取摘要。基于具有注意机制的编解码器模型，对原始标题进行抽取，生成相应的商品的用户搜索查询，并在两个任务之间共享编码参数，使得两个子任务在原始标题上的注意分布一致。尽量不要。对两个子任务的注意力分布进行了联合优化。最后，总公司生成的短标题同时保留了原商品名称的核心信息，更有可能揭示出能够促进交易转化的关键词。
    
     离线手动评价和在线实验证明，该方法生成的短标题在可读性、信息完整性和核心产品词的准确性方面优于传统的摘要方法，而不影响事务转换率。