論文の概要: DeepCAT: Deep Category Representation for Query Understanding in
E-commerce Search
- arxiv url: http://arxiv.org/abs/2104.11760v1
- Date: Fri, 23 Apr 2021 18:04:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 14:54:54.136439
- Title: DeepCAT: Deep Category Representation for Query Understanding in
E-commerce Search
- Title（参考訳）: DeepCAT:Eコマース検索におけるクエリ理解のためのディープカテゴリ表現
- Authors: Ali Ahmadvand, Surya Kallumadi, Faizan Javed, and Eugene Agichtein
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 15.041444067591007
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mapping a search query to a set of relevant categories in the product
taxonomy is a significant challenge in e-commerce search for two reasons: 1)
Training data exhibits severe class imbalance problem due to biased click
behavior, and 2) queries with little customer feedback (e.g., \textit{tail}
queries) are not well-represented in the training set, and cause difficulties
for query understanding. To address these problems, we propose a deep learning
model, DeepCAT, which learns joint word-category representations to enhance the
query understanding process. We believe learning category interactions helps to
improve the performance of category mapping on \textit{minority} classes,
\textit{tail} and \textit{torso} queries. DeepCAT contains a novel
word-category representation model that trains the category representations
based on word-category co-occurrences in the training set. The category
representation is then leveraged to introduce a new loss function to estimate
the category-category co-occurrences for refining joint word-category
embeddings. To demonstrate our model's effectiveness on {\em minority}
categories and {\em tail} queries, we conduct two sets of experiments. The
results show that DeepCAT reaches a 10\% improvement on {\em minority} classes
and a 7.1\% improvement on {\em tail} queries over a state-of-the-art label
embedding model. Our findings suggest a promising direction for improving
e-commerce search by semantic modeling of taxonomy hierarchies.
- Abstract（参考訳）: 製品分類における関連カテゴリの集合に検索クエリをマッピングすることは、eコマース検索において重要な課題である。1) トレーニングデータには、バイアスのあるクリック動作による深刻なクラス不均衡の問題があり、2) 顧客のフィードバックが少ないクエリ(例: textit{tail} クエリ)は、トレーニングセットではうまく表現されておらず、クエリ理解が困難である。
これらの問題に対処するために,問合せ理解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。
学習圏間相互作用は, \textit{minority} クラス, \textit{tail} および \textit{torso} クエリのカテゴリマッピングの性能向上に役立つと考えている。
DeepCATには、トレーニングセット内の単語カテゴリ共起に基づいてカテゴリ表現をトレーニングする、新しい単語カテゴリ表現モデルが含まれている。
次に、カテゴリ表現を利用して新しい損失関数を導入し、共同語カテゴリー埋め込みを精製するためのカテゴリカテゴリカテゴリ共起を推定する。
モデルの有効性を「マイノリティ」カテゴリと「テール」クエリで示すために、我々は2つの実験を行う。
その結果、deepcatは"em minor}クラスで10\%改善され、"em tail"クエリが最先端のラベル埋め込みモデル上で7.1\%改善された。
本研究は,分類階層のセマンティック・モデリングによるeコマース検索の改善に向けた有望な方向性を示唆する。
関連論文リスト
- A Semi-supervised Multi-channel Graph Convolutional Network for Query Classification in E-commerce [10.870790183380517]
以上の問題に対処するために,新たな半教師付き多チャンネルグラフ畳み込みネットワーク(SMGCN)を提案する。
SMGCNは、クエリとカテゴリの類似点を利用して、カテゴリ情報を拡張し、後続ラベルを強化する。
論文 参考訳（メタデータ） (2024-08-04T04:52:21Z) - Category-Extensible Out-of-Distribution Detection via Hierarchical Context Descriptions [35.20091752343433]
この研究は2つの階層的文脈、すなわち知覚的文脈と刺激的文脈を導入し、正確な圏境界を注意深く記述する。
2つの文脈は、あるカテゴリの正確な記述を階層的に構成するが、これはまず、予測されたカテゴリにサンプルを大まかに分類する。
CATegory-Extensible OOD Detection (CATEX)
論文 参考訳（メタデータ） (2024-07-23T12:53:38Z) - 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) - Hierarchical Query Classification in E-commerce Search [38.67034103433015]
電子商取引プラットフォームは通常、製品情報と検索データを階層構造に保存し、構造化する。
ユーザ検索クエリを同様の階層構造に効果的に分類することは,eコマースプラットフォーム上でのユーザエクスペリエンスの向上,ニュースキュレーションや学術研究において最重要である。
階層的問合せ分類の本質的な複雑さは,(1)支配的カテゴリに傾倒する顕著なクラス不均衡,(2)正確な分類を妨げる検索クエリの本質的簡潔さとあいまいさの2つの課題によって複雑化されている。
論文 参考訳（メタデータ） (2024-03-09T21:55:55Z) - 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) - Investigating the Limitation of CLIP Models: The Worst-Performing
Categories [53.360239882501325]
コントラスト言語-画像事前学習(CLIP)は、自然言語を視覚概念に統合する基礎モデルを提供する。
通常、十分に設計されたテキストプロンプトによって、多くの領域で満足な全体的な精度が達成できると期待されている。
しかし、最悪のカテゴリにおけるパフォーマンスは、全体的なパフォーマンスよりも著しく劣っていることがわかった。
論文 参考訳（メタデータ） (2023-10-05T05:37:33Z) - Intermediate Prototype Mining Transformer for Few-Shot Semantic
Segmentation [119.51445225693382]
Few-shotのセマンティックセマンティックセマンティクスは、いくつかのアノテーション付きサポートイメージの条件下で、ターゲットオブジェクトをクエリにセグメントすることを目的としている。
そこで本研究では,提案クエリから決定論的カテゴリ情報と適応的カテゴリ知識の両方をマイニングする中間プロトタイプを提案する。
各IPMT層では,サポート機能とクエリ機能の両方のオブジェクト情報をプロトタイプに伝達し,それを使ってクエリ機能マップを活性化する。
論文 参考訳（メタデータ） (2022-10-13T06:45:07Z) - Query-Guided Networks for Few-shot Fine-grained Classification and
Person Search [93.80556485668731]
微粒な分類や人物検索は、個別のタスクとして現れ、文学はそれらを別々に扱ってきた。
両タスクに適用可能な新しい統合クエリガイドネットワーク(QGN)を提案する。
QGNは、最近の数ショットのきめ細かいデータセットを改善し、CUB上の他のテクニックを大きなマージンで上回っている。
論文 参考訳（メタデータ） (2022-09-21T10:25:32Z) - TagRec: Automated Tagging of Questions with Hierarchical Learning
Taxonomy [0.0]
オンライン教育プラットフォームは、階層的な学習分類に基づく学術的な質問を組織する
本稿では,分類学と質問のセマンティック関連性を最適化する類似性に基づく検索タスクとして,問題を定式化する。
本研究では,本手法が未確認ラベルの扱いに役立ち,野生の分類学的タグ付けに有効であることを示す。
論文 参考訳（メタデータ） (2021-07-03T11:50:55Z) - APRF-Net: Attentive Pseudo-Relevance Feedback Network for Query
Categorization [12.634704014206294]
クエリ分類のためのレアクエリの表現を強化するために,textbfAttentive textbfPseudo textbfRelevance textbfFeedback textbfNetwork (APRF-Net) という新しいディープニューラルネットワークを提案する。
以上の結果から,APRF-Netはクエリ分類をF1@1$スコアで5.9%改善し,レアクエリでは8.2%向上した。
論文 参考訳（メタデータ） (2021-04-23T02:34:08Z) - 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)
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。