論文の概要: Triangular Bidword Generation for Sponsored Search Auction

• arxiv url: http://arxiv.org/abs/2101.11349v1
• Date: Wed, 27 Jan 2021 12:25:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-01 19:28:17.056648
• Title: Triangular Bidword Generation for Sponsored Search Auction
• Title（参考訳）: スポンサー付き検索オークションのための三角形バイドワード生成
• Authors: Zhenqiao Song, Jiaze Chen, Hao Zhou and Lei Li
• Abstract要約: 本稿では,ペアクエリの高品質なデータである広告を監視信号として利用する三角形入札語生成モデル(TRIDENT)を提案する。 提案手法は,検索クエリと広告の間のブリッジとして入札語を用いることで,検索クエリ,広告,入札語の生成を共同で学習することができる。
• 参考スコア（独自算出の注目度）: 15.260540147678396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sponsored search auction is a crucial component of modern search engines. It requires a set of candidate bidwords that advertisers can place bids on. Existing methods generate bidwords from search queries or advertisement content. However, they suffer from the data noise in <query, bidword> and <advertisement, bidword> pairs. In this paper, we propose a triangular bidword generation model (TRIDENT), which takes the high-quality data of paired <query, advertisement> as a supervision signal to indirectly guide the bidword generation process. Our proposed model is simple yet effective: by using bidword as the bridge between search query and advertisement, the generation of search query, advertisement and bidword can be jointly learned in the triangular training framework. This alleviates the problem that the training data of bidword may be noisy. Experimental results, including automatic and human evaluations, show that our proposed TRIDENT can generate relevant and diverse bidwords for both search queries and advertisements. Our evaluation on online real data validates the effectiveness of the TRIDENT's generated bidwords for product search.
• Abstract（参考訳）: スポンサー検索オークションは、現代の検索エンジンの重要なコンポーネントです。 広告主が入札できる候補入札語をセットする必要がある。 既存の方法は検索クエリや広告コンテンツから入札語を生成する。 しかし、<query, bidword> と <advertisement, bidword> のペアのデータノイズに苦しんでいます。 本論文では,対数<query, ad>の高品質なデータを,間接的に入札語生成プロセスを導くための監督信号として取得する三角入札語生成モデル(TRIDENT)を提案する。 提案手法は,検索クエリと広告の間のブリッジとして入札語を用いることで,三角トレーニングフレームワークで検索クエリ,広告,入札語の生成を共同で学習することができる。 これにより、 bidword のトレーニングデータが騒がしいという問題を軽減します。 自動評価や人的評価を含む実験結果から,提案したTRIDENTは検索クエリと広告の両方に対して,関連性および多種多様な入札語を生成できることが示唆された。 オンライン実データによる評価は、TRIDENTが生成した製品検索のための入札語の有効性を検証します。

関連論文リスト

• 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)
• ACE: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  我々は、エンドツーエンドのクロスモーダル検索のための先駆的なジェネリッククロスモーダル rEtrieval framework (ACE) を提案する。 ACEは、クロスモーダル検索における最先端のパフォーマンスを達成し、Recall@1の強いベースラインを平均15.27%上回る。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• Large Search Model: Redefining Search Stack in the Era of LLMs [63.503320030117145]
  我々は,1つの大言語モデル(LLM)で検索タスクを統一することにより,従来の検索スタックを再定義する,大規模検索モデルと呼ばれる新しい概念的フレームワークを導入する。 全てのタスクは自動回帰テキスト生成問題として定式化され、自然言語のプロンプトを使ってタスクをカスタマイズできる。 提案フレームワークは,LLMの強力な言語理解と推論能力を活用し,既存の検索スタックを簡素化しつつ,検索結果の質を向上させる能力を提供する。
  論文  参考訳（メタデータ） (2023-10-23T05:52:09Z)
• Align before Search: Aligning Ads Image to Text for Accurate Cross-Modal Sponsored Search [27.42717207107]
  クロスモーダルスポンサー検索は、消費者が検索エンジンで自然言語クエリーによって望ましい商品を探す際に、マルチモーダル広告(ads)を表示する。 画像とテキストの両方で広告特有の情報を調整できることは、正確で柔軟なスポンサー付き検索に不可欠だ。 広告画像の細粒度部分を対応するテキストに明示的にマッピングする単純なアライメントネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-28T03:43:57Z)
• SSP: Self-Supervised Post-training for Conversational Search [63.28684982954115]
  本稿では,対話型検索モデルを効率的に初期化するための3つの自己教師型タスクを備えた学習後パラダイムであるフルモデル(モデル)を提案する。 提案手法の有効性を検証するために,CAsT-19 と CAsT-20 の2つのベンチマークデータセットを用いて,会話検索タスクにモデルにより訓練後の会話エンコーダを適用した。
  論文  参考訳（メタデータ） (2023-07-02T13:36:36Z)
• Multiview Identifiers Enhanced Generative Retrieval [78.38443356800848]
  生成検索は、検索対象の通路の識別子文字列を生成する。 本稿では,パスの内容に基づいて生成される新しいタイプの識別子,合成識別子を提案する。 提案手法は生成的検索において最善を尽くし,その有効性とロバスト性を実証する。
  論文  参考訳（メタデータ） (2023-05-26T06:50:21Z)
• Deep Reinforcement Agent for Efficient Instant Search [14.086339486783018]
  本稿では,関連する文書を検索する上で,意味的により健全なトークンを識別することで,負荷問題に対処することを提案する。 我々は、検索エンジンと直接対話し、単語の重要性を予測する強化エージェントを訓練する。 トリガーサーチ数とシステム性能のトレードオフを研究するために,新しい評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-17T22:47:15Z)
• Diversity driven Query Rewriting in Search Advertising [1.5289756643078838]
  生成的検索モデルは、このようなクエリの書き直しを生成するタスクにおいて有効であることが示されている。 高品質かつ多様な書き直しを生成するフレームワークであるCLOVERを紹介します。 提案手法の有効性を,3つの主要言語にまたがる検索クエリのオフライン実験により実証的に示す。
  論文  参考訳（メタデータ） (2021-06-07T17:30:45Z)
• ProphetNet-Ads: A Looking Ahead Strategy for Generative Retrieval Models in Sponsored Search Engine [123.65646903493614]
  生成的検索モデルは、ターゲットライブラリプレフィックスツリー(Trie)のパス上でトークンによる出力トークンを生成する 本稿では,これらの問題を解析し,ProphetNet-Adsと呼ばれる生成検索モデルの今後の戦略を提案する。 最近提案されたトリエ型LSTM生成モデルと比較すると,本モデルの結果と統合結果は,ビームサイズ5でそれぞれ15.58%と18.8%改善した。
  論文  参考訳（メタデータ） (2020-10-21T07:03:20Z)
• Query-Variant Advertisement Text Generation with Association Knowledge [21.18443320935013]
  従来のテキスト生成手法は、高頻度で一般的な検索ニーズに焦点を当てる傾向にある。 本稿では,異なるWeb検索クエリに対して候補となる広告テキストを生成することを目的とした,問合せ型広告テキスト生成タスクを提案する。 提案モデルでは,クエリにパーソナライズされたニーズを多用し,クエリ変数の広告テキストを生成する。
  論文  参考訳（メタデータ） (2020-04-14T12:04:28Z)

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。