論文の概要: JointMap: Joint Query Intent Understanding For Modeling Intent
Hierarchies in E-commerce Search
- arxiv url: http://arxiv.org/abs/2005.13783v2
- Date: Fri, 29 May 2020 21:05:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-27 05:27:11.794292
- Title: JointMap: Joint Query Intent Understanding For Modeling Intent
Hierarchies in E-commerce Search
- Title(参考訳): JointMap:Eコマース検索におけるインテント階層のモデリングのためのジョイントクエリインテント理解
- Authors: Ali Ahmadvand and Surya Kallumadi and Faizan Javed and Eugene
Agichtein
- Abstract要約: ユーザのクエリ意図の正確な理解は、クエリスコーピングやランキングといった下流タスクのパフォーマンス向上に役立つ。
本稿では,2つのハイレベルユーザ意図タスクを同時に学習するディープラーニングモデルであるJointMapを紹介する。
その結果,JointMapは「商用対非商用」の意図予測と製品カテゴリマッピングの両方を,最先端のディープラーニング手法よりも平均で2.3%,10%向上させることがわかった。
- 参考スコア(独自算出の注目度): 16.31114596864235
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An accurate understanding of a user's query intent can help improve the
performance of downstream tasks such as query scoping and ranking. In the
e-commerce domain, recent work in query understanding focuses on the query to
product-category mapping. But, a small yet significant percentage of queries
(in our website 1.5% or 33M queries in 2019) have non-commercial intent
associated with them. These intents are usually associated with non-commercial
information seeking needs such as discounts, store hours, installation guides,
etc. In this paper, we introduce Joint Query Intent Understanding (JointMap), a
deep learning model to simultaneously learn two different high-level user
intent tasks: 1) identifying a query's commercial vs. non-commercial intent,
and 2) associating a set of relevant product categories in taxonomy to a
product query. JointMap model works by leveraging the transfer bias that exists
between these two related tasks through a joint-learning process. As curating a
labeled data set for these tasks can be expensive and time-consuming, we
propose a distant supervision approach in conjunction with an active learning
model to generate high-quality training data sets. To demonstrate the
effectiveness of JointMap, we use search queries collected from a large
commercial website. Our results show that JointMap significantly improves both
"commercial vs. non-commercial" intent prediction and product category mapping
by 2.3% and 10% on average over state-of-the-art deep learning methods. Our
findings suggest a promising direction to model the intent hierarchies in an
e-commerce search engine.
- Abstract(参考訳): ユーザのクエリインテントの正確な理解は、クエリスコープやランク付けといったダウンストリームタスクのパフォーマンス向上に役立つ。
eコマース分野において、最近のクエリ理解の研究は、製品カテゴリマッピングへのクエリに焦点を当てている。
しかし、少数のクエリ(2019年のWebサイト1.5%または3300万クエリ)は、それらに関連する非商業的な意図を持っている。
これらの意図は、通常、割引、店時間、インストールガイドなどのニーズを求める非商業的情報と関連付けられる。
本稿では,2つの高レベルユーザインテントタスクを同時に学習するディープラーニングモデルであるjoint query intent understanding (jointmap)を提案する。
1)クエリの商業目的対非商業目的の特定、及び
2) 分類における関連する製品カテゴリのセットを製品クエリに関連付ける。
jointmapモデルは、これら2つの関連するタスクの間に存在する転送バイアスを、共同学習プロセスを通じて活用することで機能する。
ラベル付きデータセットの計算は高価で時間を要するため,アクティブラーニングモデルと連動して,高品質なトレーニングデータセットを生成する遠隔監視手法を提案する。
ジョイントマップの有効性を示すために,大規模商用webサイトから収集した検索クエリを用いる。
その結果,JointMapは「商用対非商用」の意図予測と製品カテゴリマッピングを,最先端のディープラーニング手法よりも平均で2.3%,10%改善した。
当社の調査結果は、eコマース検索エンジンの意図階層をモデル化する有望な方向性を示唆している。
関連論文リスト
- QUIDS: Query Intent Generation via Dual Space Modeling [12.572815037915348]
本稿では,検索意図の理解を説明するために,返却文書における意味的関連性および無関係情報を利用する二重空間モデルを提案する。
提案手法は高品質な問合せインテント記述を生成し,既存の手法と最先端の問合せベース要約手法を比較検討する。
論文 参考訳(メタデータ) (2024-10-16T09:28:58Z) - Query-oriented Data Augmentation for Session Search [71.84678750612754]
本稿では,検索ログの強化とモデリングの強化を目的としたクエリ指向データ拡張を提案する。
検索コンテキストの最も重要な部分を変更することで補足的なトレーニングペアを生成する。
我々は、現在のクエリを変更するためのいくつかの戦略を開発し、その結果、様々な難易度で新しいトレーニングデータを得る。
論文 参考訳(メタデータ) (2024-07-04T08:08:33Z) - List-aware Reranking-Truncation Joint Model for Search and
Retrieval-augmented Generation [80.12531449946655]
本稿では,2つのタスクを同時に実行可能なRe rank-Truncation joint model(GenRT)を提案する。
GenRTは、エンコーダ-デコーダアーキテクチャに基づく生成パラダイムによるリランクとトランケーションを統合している。
提案手法は,Web検索および検索拡張LLMにおけるリランクタスクとトラルケーションタスクの両方においてSOTA性能を実現する。
論文 参考訳(メタデータ) (2024-02-05T06:52:53Z) - Beyond Semantics: Learning a Behavior Augmented Relevance Model with
Self-supervised Learning [25.356999988217325]
関連モデリングは、対応するクエリに対して望ましい項目を見つけることを目的としている。
ユーザの履歴行動データから抽出された補助的なクエリ-イテム相互作用は、ユーザの検索意図をさらに明らかにするためのヒントを提供する可能性がある。
本モデルでは, 隣接する視点と対象視点の両方から, 粗粒度および細粒度の意味表現を蒸留するための多レベルコアテンションを構築している。
論文 参考訳(メタデータ) (2023-08-10T06:52:53Z) - Semantic Equivalence of e-Commerce Queries [6.232692545488813]
本稿では,クエリの等価性を認識・活用し,検索とビジネスの成果を高めるためのフレームワークを提案する。
提案手法は,検索意図のベクトル表現へのクエリのマッピング,等価あるいは類似の意図を表現した近傍のクエリの特定,ユーザやビジネス目的の最適化という3つの重要な問題に対処する。
論文 参考訳(メタデータ) (2023-08-07T18:40:13Z) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳(メタデータ) (2022-12-02T04:08:09Z) - 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) - DeepCAT: Deep Category Representation for Query Understanding in
E-commerce Search [15.041444067591007]
本稿では,問合せ理解のプロセスを強化するために,共同語分類表現を学習する深層学習モデルDeepCATを提案する。
その結果,emマイノリティクラスではdeepcatが10%改善され,最先端ラベル埋め込みモデルではemtailクエリが7.1%向上した。
論文 参考訳(メタデータ) (2021-04-23T18:04:44Z) - AutoRC: Improving BERT Based Relation Classification Models via
Architecture Search [50.349407334562045]
BERTに基づく関係分類(RC)モデルは、従来のディープラーニングモデルよりも大幅に改善されている。
最適なアーキテクチャとは何かという合意は得られない。
BERTをベースとしたRCモデルのための包括的検索空間を設計し、設計選択を自動的に検出するためにNAS(Neural Architecture Search)手法を用いる。
論文 参考訳(メタデータ) (2020-09-22T16:55:49Z) - Query Understanding via Intent Description Generation [75.64800976586771]
問合せ理解のためのQ2ID(Query-to-Intent-Description)タスクを提案する。
クエリとその記述を利用してドキュメントの関連性を計算する既存のランキングタスクとは異なり、Q2IDは自然言語のインテント記述を生成するための逆タスクである。
Q2IDタスクにおける複数の最先端生成モデルとの比較により,本モデルの有効性を実証する。
論文 参考訳(メタデータ) (2020-08-25T08:56:40Z) - User Intent Inference for Web Search and Conversational Agents [3.9400263964632836]
1)会話エージェントに対する発話トピックと意図の分類 2) Web検索エンジンに対する質問意図のマイニングと分類。
最初の話題に対処するために,ユーザの発話の話題と意図の両方を予測するために,エンティティ情報と会話内容の手がかりを組み込む新しいモデルを提案した。
第2の研究テーマとして,Web検索意図予測における工法の現状をeコマース領域に拡張する計画を立てる。
論文 参考訳(メタデータ) (2020-05-28T07:04:42Z)
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。