Fugu-MT 論文翻訳(概要): From Semantic Retrieval to Pairwise Ranking: Applying Deep Learning in E-commerce Search

論文の概要: From Semantic Retrieval to Pairwise Ranking: Applying Deep Learning in E-commerce Search

arxiv url: http://arxiv.org/abs/2103.12982v1
Date: Wed, 24 Mar 2021 04:37:32 GMT
ステータス: 処理完了
システム内更新日: 2021-03-25 21:00:28.599786
Title: From Semantic Retrieval to Pairwise Ranking: Applying Deep Learning in E-commerce Search
Title（参考訳）: セマンティック検索からペアワイズランキングへ:eコマース検索にディープラーニングを適用する
Authors: Rui Li, Yunjiang Jiang, Wenyun Yang, Guoyu Tang, Songlin Wang, Chaoyi Ma, Wei He, Xi Xiong, Yun Xiao, Eric Yihong Zhao
Abstract要約: JD.comにおける製品検索における2つの重要な段階にディープラーニングモデルを導入する。具体的には,ミリ秒以内のクエリに意味的関連項目を検索する深層学習システムと,微妙なユーザの嗜好を学習する一対の深層学習システムの設計について概説する。
参考スコア（独自算出の注目度）: 11.459020190110019
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce deep learning models to the two most important stages in product search at JD.com, one of the largest e-commerce platforms in the world. Specifically, we outline the design of a deep learning system that retrieves semantically relevant items to a query within milliseconds, and a pairwise deep re-ranking system, which learns subtle user preferences. Compared to traditional search systems, the proposed approaches are better at semantic retrieval and personalized ranking, achieving significant improvements.
Abstract（参考訳）: 我々は、世界最大のeコマースプラットフォームであるJD.comで、製品検索において最も重要な2つの段階にディープラーニングモデルを導入します。具体的には,ミリ秒以内のクエリに意味的関連項目を検索する深層学習システムと,微妙なユーザの嗜好を学習する一対の深層学習システムの設計について概説する。従来の検索システムと比較して,提案手法は意味検索やパーソナライズされたランキングに優れ,大幅な改善を達成している。

関連論文リスト

A Comprehensive Survey on Retrieval Methods in Recommender Systems [32.1847120460637]
本調査では,レコメンデータシステムの重要かつ見落とされがちな検索段階について検討する。高精度かつ効率的なパーソナライズされた検索を実現するために,既存の作業を3つの重要な領域にまとめる。特定の企業における検索実践のケーススタディを通じて、現在の産業応用を取り上げる。
論文参考訳（メタデータ） (2024-07-11T07:09:59Z)
A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
論文参考訳（メタデータ） (2024-05-30T04:46:40Z)
Generative Multi-Modal Knowledge Retrieval with Large Language Models [75.70313858231833]
マルチモーダル知識検索のための革新的なエンドツーエンド生成フレームワークを提案する。我々のフレームワークは,大規模言語モデル(LLM)が仮想知識ベースとして効果的に機能するという事実を生かしている。強いベースラインと比較すると,すべての評価指標に対して3.0%から14.6%の大幅な改善が見られた。
論文参考訳（メタデータ） (2024-01-16T08:44:29Z)
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)
Que2Engage: Embedding-based Retrieval for Relevant and Engaging Products at Facebook Marketplace [15.054431410052851]
Que2Engageは、エンドツーエンド最適化のための検索とランキングのギャップを埋めるために構築された検索用EBRシステムである。提案手法の有効性を,マルチタスク評価フレームワークと徹底的なベースライン比較およびアブレーション研究を通じて示す。
論文参考訳（メタデータ） (2023-02-21T23:10:16Z)
Uni-Retriever: Towards Learning The Unified Embedding Based Retriever in Bing Sponsored Search [26.765315779943265]
本稿では,Bing検索のための新しい表現学習フレームワークUni-Retrieverを提案する。「一方、関係教師モデルから知識を抽出し、高関連検索能力を確立する。」一方,高いCTR検索能力は,コーパス全体からユーザのクリック広告を識別する学習によって最適化される。
論文参考訳（メタデータ） (2022-02-13T05:20:44Z)
Sequential Search with Off-Policy Reinforcement Learning [48.88165680363482]
本稿では,RNN学習フレームワークとアテンションモデルからなる,スケーラブルなハイブリッド学習モデルを提案する。新たな最適化のステップとして、1つのRNNパスに複数の短いユーザシーケンスをトレーニングバッチ内に収める。また、マルチセッションパーソナライズされた検索ランキングにおける非政治強化学習の利用についても検討する。
論文参考訳（メタデータ） (2022-02-01T06:52:40Z)
Exposing Query Identification for Search Transparency [69.06545074617685]
本稿では,検索システムの2つのクラスにおいて,クエリとドキュメントの役割を逆転させることにより,検索タスクとしてのEQIの実現可能性について検討する。本研究では,クエリのランク付けの質を評価するための評価基準を導出するとともに,近似EQIの様々な実践的側面に着目した経験的分析を行う。
論文参考訳（メタデータ） (2021-10-14T20:19:27Z)
Meta Navigator: Search for a Good Adaptation Policy for Few-shot Learning [113.05118113697111]
少ないショット学習は、ラベル付きデータしか持たない新しいタスクに、以前のタスクから学んだ知識を適応させることを目的としている。少数ショット学習に関する研究文献は、大きな多様性を示し、異なるアルゴリズムは、しばしば異なる少数ショット学習シナリオで優れている。本稿では,メタナビゲータ(Meta Navigator)について紹介する。
論文参考訳（メタデータ） (2021-09-13T07:20:01Z)
Zero-Shot Heterogeneous Transfer Learning from Recommender Systems to Cold-Start Search Retrieval [30.95373255143698]
本稿では,学習知識を推薦システムコンポーネントから伝達し,コンテンツプラットフォームの検索コンポーネントを改善するZero-Shot Heterogeneous Transfer Learningフレームワークを提案する。弊社は、Googleから世界最大の検索とレコメンデーションシステムのひとつで、オンラインとオフラインで実験を行い、得られた結果と教訓を提示する。
論文参考訳（メタデータ） (2020-08-07T01:22:56Z)
Deep Retrieval: Learning A Retrievable Structure for Large-Scale Recommendations [21.68175843347951]
本稿では,ユーザとイテムのインタラクションデータを用いて,検索可能な構造を直接学習するために,Deep Retrieval(DR)を提案する。 DRは、産業レコメンデーションシステムのために数億のアイテムをスケールで展開した最初の非ANNアルゴリズムの1つである。
論文参考訳（メタデータ） (2020-07-12T06:23:51Z)

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。