論文の概要: Modeling Information Need of Users in Search Sessions
- arxiv url: http://arxiv.org/abs/2001.00861v1
- Date: Fri, 3 Jan 2020 15:25:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-14 18:03:41.198447
- Title: Modeling Information Need of Users in Search Sessions
- Title(参考訳): 検索セッションにおけるユーザニーズのモデル化
- Authors: Kishaloy Halder, Heng-Tze Cheng, Ellie Ka In Chio, Georgios Roumpos,
Tao Wu, Ritesh Agarwal
- Abstract要約: 本稿では,ユーザによって発行された過去のクエリの集合を利用するシーケンス・ツー・シーケンス・ベース・ニューラルアーキテクチャを提案する。
まず、我々のモデルを用いて、現在のクエリで重要で、次のクエリに保持される単語を予測する。
情報収集の直感的な戦略は,2つの大規模リアルタイム検索ログデータセットにおいて,これらのタスクにおいて優れた性能が得られることを示す。
- 参考スコア(独自算出の注目度): 5.172625611483604
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Users issue queries to Search Engines, and try to find the desired
information in the results produced. They repeat this process if their
information need is not met at the first place. It is crucial to identify the
important words in a query that depict the actual information need of the user
and will determine the course of a search session. To this end, we propose a
sequence-to-sequence based neural architecture that leverages the set of past
queries issued by users, and results that were explored by them. Firstly, we
employ our model for predicting the words in the current query that are
important and would be retained in the next query. Additionally, as a
downstream application of our model, we evaluate it on the widely popular task
of next query suggestion. We show that our intuitive strategy of capturing
information need can yield superior performance at these tasks on two large
real-world search log datasets.
- Abstract(参考訳): ユーザは検索エンジンにクエリを発行し、生成した結果に望ましい情報を見つけようとする。
そもそも必要な情報が満たされない場合、彼らはこのプロセスを繰り返す。
ユーザの実際の情報要求を表現し,検索セッションの行程を決定するクエリにおいて,重要な単語を特定することが重要である。
そこで本研究では,ユーザによって発行された過去のクエリセットと,それらによって探索された結果を活用するシーケンス・ツー・シーケンス・ベース・ニューラルアーキテクチャを提案する。
まず、重要で次のクエリに保持される現在のクエリの単語を予測するために、モデルを採用します。
さらに,本モデルのダウンストリームアプリケーションとして,次のクエリ提案で広く普及しているタスクに基づいて評価を行った。
情報収集の直感的な戦略は,2つの大規模リアルタイム検索ログデータセットにおいて,これらのタスクにおいて優れた性能が得られることを示す。
関連論文リスト
- Cache & Distil: Optimising API Calls to Large Language Models [82.32065572907125]
ジェネレーティブAIツールの大規模デプロイは、ユーザクエリをフルフィルするために、LLM(Large Language Model)に対する高価なAPI呼び出しに依存することが多い。
これらの呼び出しの頻度を縮めるために、より小さな言語モデル(学生)を用いることができる。
この学生は、ユーザー要求の増加に独立して対処する能力が徐々に向上する。
論文 参考訳(メタデータ) (2023-10-20T15:01:55Z) - End-to-end Knowledge Retrieval with Multi-modal Queries [50.01264794081951]
ReMuQは、テキストと画像のクエリからコンテンツを統合することで、大規模なコーパスから知識を取得するシステムを必要とする。
本稿では,入力テキストや画像を直接処理し,関連する知識をエンドツーエンドで検索する検索モデルReViz'を提案する。
ゼロショット設定下での2つのデータセットの検索において,優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-01T08:04:12Z) - Recommender Systems with Generative Retrieval [58.454606442670034]
本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。
そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。
提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
論文 参考訳(メタデータ) (2023-05-08T21:48:17Z) - Context-Aware Query Rewriting for Improving Users' Search Experience on
E-commerce Websites [47.04727122209316]
電子商取引のクエリはしばしば短く曖昧である。
ユーザーは購入する前に複数の検索を入力し、それをコンテキストと呼ぶ。
本稿では,エンド・ツー・エンドのコンテキスト認識型クエリ書き換えモデルを提案する。
論文 参考訳(メタデータ) (2022-09-15T19:46:01Z) - Graph Enhanced BERT for Query Understanding [55.90334539898102]
クエリ理解は、ユーザの検索意図を探索し、ユーザが最も望まれる情報を発見できるようにする上で、重要な役割を果たす。
近年、プレトレーニング言語モデル (PLM) は様々な自然言語処理タスクを進歩させてきた。
本稿では,クエリコンテンツとクエリグラフの両方を活用可能な,グラフ強化事前学習フレームワークGE-BERTを提案する。
論文 参考訳(メタデータ) (2022-04-03T16:50:30Z) - RETE: Retrieval-Enhanced Temporal Event Forecasting on Unified Query
Product Evolutionary Graph [18.826901341496143]
時間的イベント予測は、統合クエリ製品進化グラフにおける新しいユーザ行動予測タスクである。
本稿では,新しいイベント予測フレームワークを提案する。
既存手法とは違って,グラフ全体の大まかに連結されたエンティティを通じてユーザ表現を強化する手法を提案する。
論文 参考訳(メタデータ) (2022-02-12T19:27:56Z) - Session-Aware Query Auto-completion using Extreme Multi-label Ranking [61.753713147852125]
本稿では,セッション対応クエリ自動補完の新たな手法を,XMR(Multi Multi-Xtreme Ranking)問題として取り上げる。
アルゴリズムのキーステップにいくつかの修正を提案することにより、この目的のために一般的なXMRアルゴリズムを適応させる。
当社のアプローチは、セッション情報を活用しながら、自動補完システムの厳しいレイテンシ要件を満たします。
論文 参考訳(メタデータ) (2020-12-09T17:56:22Z) - Deep Search Query Intent Understanding [17.79430887321982]
本稿では,検索の異なる段階における問合せ意図をモデル化するための総合的な学習フレームワークの提供を目的とする。
我々は,1) 文字レベルモデルを用いたタイプアヘッド検索において,入力したユーザの意図をオンザフライで予測すること,2) 完全クエリのための正確な単語レベルの意図予測モデルに焦点をあてる。
論文 参考訳(メタデータ) (2020-08-15T18:19:56Z) - Query Resolution for Conversational Search with Limited Supervision [63.131221660019776]
本稿では,双方向トランスフォーマに基づくニューラルクエリ解決モデルQuReTeCを提案する。
我々はQuReTeCが最先端モデルより優れており、また、QuReTeCのトレーニングに必要な人為的なデータ量を大幅に削減するために、我々の遠隔監視手法が有効であることを示す。
論文 参考訳(メタデータ) (2020-05-24T11:37:22Z) - Session-based Suggestion of Topics for Geographic Exploratory Search [5.482532589225552]
セッションベースの提案モデルを開発し,概念を「あなたも興味を持つかもしれない」関数として提案する。
対話型検索における提案を漸進的に生成するために,本モデルを適用した。
論文 参考訳(メタデータ) (2020-03-25T10:46:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。