論文の概要: Grouping Search Results with Product Graphs in E-commerce Platforms
- arxiv url: http://arxiv.org/abs/2109.09349v1
- Date: Mon, 20 Sep 2021 08:01:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-22 04:29:49.482527
- Title: Grouping Search Results with Product Graphs in E-commerce Platforms
- Title（参考訳）: Eコマースプラットフォームにおける製品グラフを用いたグループ検索
- Authors: Suhas Ranganath, Shibsankar Das, Sanjay Thilaivasan, Shipra Agarwal,
Varun Shrivastava
- Abstract要約: 本稿では,検索結果を複数のランクリストに分類し,より優れたユーザインテントを提供するフレームワークを提案する。
例えば「ミルク」という問合せでは、結果は「白い牛乳」、「低脂肪牛乳」、「アーモンドミルク」、「風味のある牛乳」の複数のスタックにまとめられる。
- 参考スコア（独自算出の注目度）: 2.887393074590696
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Showing relevant search results to the user is the primary challenge for any
search system. Walmart e-commerce provides an omnichannel search platform to
its customers to search from millions of products. This search platform takes a
textual query as input and shows relevant items from the catalog. One of the
primary challenges is that this queries are complex to understand as it
contains multiple intent in many cases. This paper proposes a framework to
group search results into multiple ranked lists intending to provide better
user intent. The framework is to create a product graph having relations
between product entities and utilize it to group search results into a series
of stacks where each stack provides a group of items based on a precise intent.
As an example, for a query "milk," the results can be grouped into multiple
stacks of "white milk", "low-fat milk", "almond milk", "flavored milk". We
measure the impact of our algorithm by evaluating how it improves the user
experience both in terms of search quality relevance and user behavioral
signals like Add-To-Cart.
- Abstract（参考訳）: ユーザに対して関連する検索結果を表示することが,検索システムにとって最大の課題である。
walmart eコマースは、顧客に何百万もの製品から検索するためのomnichannel検索プラットフォームを提供している。
この検索プラットフォームは、テキストクエリを入力として、カタログから関連する項目を表示する。
主な課題の1つは、多くのケースで複数のインテントが含まれているため、このクエリが複雑であることです。
本稿では,検索結果を複数のランクリストに分類し,より優れたユーザインテントを提供するフレームワークを提案する。
フレームワークは、製品エンティティ間の関係を持つ製品グラフを作成し、それを利用して検索結果を一連のスタックにグループ化し、各スタックが正確な意図に基づいてアイテムのグループを提供する。
例えば、クエリ"milk"では、結果は"white milk"、"low-fat milk"、"almond milk"、"flavored milk"の複数のスタックにグループ化できる。
本稿では,検索品質の関連性とAdd-To-Cartのようなユーザ行動信号の両方の観点から,ユーザエクスペリエンスの向上方法を評価することで,アルゴリズムの効果を測定する。
関連論文リスト
- Relevance Filtering for Embedding-based Retrieval [46.851594313019895]
埋め込み型検索では、ANN(Approximate Nearest Neighbor)検索により、大規模データセットから類似したアイテムを効率的に検索することができる。
本稿では,この課題に対処するために,埋め込み型検索のための新しい関連フィルタリングコンポーネント("Cosine Adapter" と呼ぶ)を提案する。
少ないリコールの損失を犠牲にして、回収したセットの精度を大幅に向上することが可能です。
論文 参考訳（メタデータ） (2024-08-09T06:21:20Z) - Exploring Query Understanding for Amazon Product Search [62.53282527112405]
問合せ理解に基づくランキング機能がどのようにランキングに影響を及ぼすかを検討する。
ランク付けのためのクエリ理解に基づくマルチタスク学習フレームワークを提案する。
本研究は,Amazon Searchにおける実世界のシステムを用いた調査・調査である。
論文 参考訳（メタデータ） (2024-08-05T03:33:11Z) - Large Language Models for Relevance Judgment in Product Search [48.56992980315751]
検索クエリに対する検索および再ランクされたアイテムの高い関連性は、製品検索の成功の土台である。
本稿では,大規模言語モデル(LLM)を活用して,クエリ・イテムペア(QIP)の関連判断を大規模に自動化する手法について述べる。
本研究は,製品検索における関連判断の自動化の分野への直接的な影響を示唆するものである。
論文 参考訳（メタデータ） (2024-06-01T00:52:41Z) - OmniSearchSage: Multi-Task Multi-Entity Embeddings for Pinterest Search [2.917688415599187]
OmniSearchSageは、検索クエリやピン、Pinterest検索用の製品を理解するための汎用的でスケーラブルなシステムです。
私たちはピンとプロダクトの埋め込みを組み合わせた統合クエリの埋め込みを共同で学び、その結果として、$>8%の関連性、$>7%のエンゲージメント、$>5%の広告CTRが改善されました。
論文 参考訳（メタデータ） (2024-04-25T00:10:25Z) - Searching, fast and slow, through product catalogs [5.077235981745305]
本稿では、リアルタイム提案システムと低レイテンシ検索システムの両方を提供するSKU検索のための統一アーキテクチャを提案する。
我々のシステムは、あらゆる面で、デフォルトの検索エンジンによって提供される結果を大きく上回っていることを示す。
論文 参考訳（メタデータ） (2024-01-01T12:30:46Z) - Shopping Queries Dataset: A Large-Scale ESCI Benchmark for Improving
Product Search [26.772851310517954]
本稿では,難解なAmazon検索クエリと結果の大規模なデータセットである“ショッピングクエリデータセット”を紹介する。
データセットには、約130万のユニークなクエリと、手作業による(製品)関連判断が260万個含まれている。
データセットはKDDCup'22の課題のひとつで使用されている。
論文 参考訳（メタデータ） (2022-06-14T04:25:26Z) - Graph Enhanced BERT for Query Understanding [55.90334539898102]
クエリ理解は、ユーザの検索意図を探索し、ユーザが最も望まれる情報を発見できるようにする上で、重要な役割を果たす。
近年、プレトレーニング言語モデル (PLM) は様々な自然言語処理タスクを進歩させてきた。
本稿では,クエリコンテンツとクエリグラフの両方を活用可能な,グラフ強化事前学習フレームワークGE-BERTを提案する。
論文 参考訳（メタデータ） (2022-04-03T16:50:30Z) - Exposing Query Identification for Search Transparency [69.06545074617685]
本稿では,検索システムの2つのクラスにおいて,クエリとドキュメントの役割を逆転させることにより,検索タスクとしてのEQIの実現可能性について検討する。
本研究では,クエリのランク付けの質を評価するための評価基準を導出するとともに,近似EQIの様々な実践的側面に着目した経験的分析を行う。
論文 参考訳（メタデータ） (2021-10-14T20:19:27Z) - Online Learning of Optimally Diverse Rankings [63.62764375279861]
ユーザのフィードバックのみに基づいて最適なリストを効率よく学習するアルゴリズムを提案する。
我々は、$T$クエリの後に、LDRの後悔は$O((N-L)log(T))$としてスケールする。
論文 参考訳（メタデータ） (2021-09-13T12:13:20Z) - Addressing Purchase-Impression Gap through a Sequential Re-ranker [3.5004721334756934]
本稿では,eコマースサイトのトップ検索結果に見られる購買・印象ギャップに対処する手法を提案する。
我々は、歴史的ショッピングパターンに基づく商品の理想的な流通を確立する。
次に,従来の点数ランキング装置で生成した上位検索結果を手法的に参照するシーケンシャルリランカを提案する。
論文 参考訳（メタデータ） (2020-10-27T19:26:51Z) - Query Intent Detection from the SEO Perspective [0.34376560669160383]
ユーザクエリの意図を,Googleの結果と機械学習の手法を利用して識別することを目的としている。
クラスタ化されたクエリから抽出されたキーワードのリストは、与えられた新しいクエリの意図を特定するために使用される。
論文 参考訳（メタデータ） (2020-06-16T13:08:29Z)
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。