論文の概要: Query Expansion and Entity Weighting for Query Reformulation Retrieval
in Voice Assistant Systems
- arxiv url: http://arxiv.org/abs/2202.13869v1
- Date: Tue, 22 Feb 2022 23:03:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-06 12:44:14.180277
- Title: Query Expansion and Entity Weighting for Query Reformulation Retrieval
in Voice Assistant Systems
- Title（参考訳）: 音声アシスタントシステムにおけるクエリ再構成検索のためのクエリ拡張とエンティティ重み付け
- Authors: Zhongkai Sun, Sixing Lu, Chengyuan Ma, Xiaohu Liu, Chenlei Guo
- Abstract要約: Alexa、Siri、Google Assistantといった音声アシスタントは世界中で人気が高まっている。
言語的変化, 音声パターンの変動, 環境音響条件, その他の要因は, ユーザのクエリを誤解釈するアシスタントと相関することが多い。
Retrieval based query reformulation (QR) システムは、これらの誤解釈されたユーザクエリを再構成するために広く利用されている。
- 参考スコア（独自算出の注目度）: 6.590172620606211
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Voice assistants such as Alexa, Siri, and Google Assistant have become
increasingly popular worldwide. However, linguistic variations, variability of
speech patterns, ambient acoustic conditions, and other such factors are often
correlated with the assistants misinterpreting the user's query. In order to
provide better customer experience, retrieval based query reformulation (QR)
systems are widely used to reformulate those misinterpreted user queries.
Current QR systems typically focus on neural retrieval model training or direct
entities retrieval for the reformulating. However, these methods rarely focus
on query expansion and entity weighting simultaneously, which may limit the
scope and accuracy of the query reformulation retrieval. In this work, we
propose a novel Query Expansion and Entity Weighting method (QEEW), which
leverages the relationships between entities in the entity catalog (consisting
of users' queries, assistant's responses, and corresponding entities), to
enhance the query reformulation performance. Experiments on Alexa annotated
data demonstrate that QEEW improves all top precision metrics, particularly 6%
improvement in top10 precision, compared with baselines not using query
expansion and weighting; and more than 5% improvement in top10 precision
compared with other baselines using query expansion and weighting.
- Abstract（参考訳）: Alexa、Siri、Google Assistantといった音声アシスタントは世界中で人気が高まっている。
しかし,言語的変化,発話パターンの変動,環境音響条件,その他の要因は,ユーザのクエリを誤解釈するアシスタントと相関することが多い。
ユーザエクスペリエンスを向上させるために,検索ベースのクエリ再構成(QR)システムが広く使用されている。
現在のQRシステムは、通常、ニューラル検索モデルトレーニングや、リフォームのための直接エンティティ検索に焦点を当てている。
しかし,クエリ拡張とエンティティ重み付けを同時に行うことは稀であり,クエリ再構成検索のスコープと精度が制限される可能性がある。
本研究では,エンティティカタログ内のエンティティ間の関係(ユーザのクエリ,アシスタントの応答,および対応するエンティティの構成)を活用してクエリ再構成性能を向上させる新しいクエリ拡張・エンティティ重み付け手法(QEEW)を提案する。
Alexaアノテートデータに関する実験では、クエリ拡張と重み付けを使用しないベースラインと比較して、QEEWがトップ精度のメトリクス、特にトップ10精度の6%改善、およびクエリ拡張と重み付けを使用する他のベースラインと比較して、トップ10精度の5%以上の改善が示されている。
関連論文リスト
- GenCRF: Generative Clustering and Reformulation Framework for Enhanced Intent-Driven Information Retrieval [20.807374287510623]
我々は,多種多様な意図を適応的に捉えるための生成クラスタリング・改革フレームワークGenCRFを提案する。
我々はGenCRFが,nDCG@10で従来のクエリ修正SOTAを最大12%上回り,最先端のパフォーマンスを実現していることを示す。
論文 参考訳（メタデータ） (2024-09-17T05:59:32Z) - Database-Augmented Query Representation for Information Retrieval [59.57065228857247]
データベース拡張クエリ表現(DAQu)と呼ばれる新しい検索フレームワークを提案する。
DAQuは、元のクエリを複数のテーブルにまたがるさまざまな(クエリ関連の)メタデータで拡張する。
リレーショナルデータベースのメタデータを組み込む様々な検索シナリオにおいてDAQuを検証する。
論文 参考訳（メタデータ） (2024-06-23T05:02:21Z) - User Intent Recognition and Semantic Cache Optimization-Based Query Processing Framework using CFLIS and MGR-LAU [0.0]
この研究は、拡張QPのためのクエリにおける情報、ナビゲーション、およびトランザクションベースのインテントを分析した。
効率的なQPのために、データはEpanechnikov Kernel-Ordering Pointsを用いて構造化され、クラスタリング構造(EK-OPTICS)を同定する。
抽出された特徴、検出された意図、構造化データは、MGR-LAU(Multi-head Gated Recurrent Learnable Attention Unit)に入力される。
論文 参考訳（メタデータ） (2024-06-06T20:28:05Z) - Generative Query Reformulation Using Ensemble Prompting, Document Fusion, and Relevance Feedback [8.661419320202787]
GenQREnsembleとGenQRFusionはゼロショット命令のパラフレーズを利用して複数のキーワードセットを生成し、検索性能を向上させる。
検索前設定ではnDCG@10で最大18%,検索後設定では9%の精度で検索効率を向上できることを示す。
論文 参考訳（メタデータ） (2024-05-27T21:03:26Z) - Selecting Query-bag as Pseudo Relevance Feedback for Information-seeking Conversations [76.70349332096693]
情報検索対話システムは電子商取引システムで広く利用されている。
クエリバッグに基づくPseudo Relevance Feedback framework(QB-PRF)を提案する。
関連クエリを備えたクエリバッグを構築し、擬似シグナルとして機能し、情報検索の会話をガイドする。
論文 参考訳（メタデータ） (2024-03-22T08:10:32Z) - Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity [59.57065228857247]
Retrieval-augmented Large Language Models (LLMs) は、質問回答(QA)のようなタスクにおける応答精度を高めるための有望なアプローチとして登場した。
本稿では,クエリの複雑さに基づいて,LLMの最適戦略を動的に選択できる適応型QAフレームワークを提案する。
オープンドメインのQAデータセットを用いて、複数のクエリの複雑さを網羅し、QAシステムの全体的な効率性と精度を高めることを示す。
論文 参考訳（メタデータ） (2024-03-21T13:52:30Z) - Improving Text Matching in E-Commerce Search with A Rationalizable,
Intervenable and Fast Entity-Based Relevance Model [78.80174696043021]
エンティティベース関連モデル(EBRM)と呼ばれる新しいモデルを提案する。
この分解により、高精度にクロスエンコーダQE関連モジュールを使用できる。
また、ユーザログから自動生成されたQEデータによるQEモジュールの事前トレーニングにより、全体的なパフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2023-07-01T15:44:53Z) - Self-Supervised Query Reformulation for Code Search [6.415583252034772]
本稿では,並列クエリコーパスに依存しない自己教師型クエリ再構成手法であるSSQRを提案する。
事前訓練されたモデルにインスパイアされたSSQRは、クエリ再構成をマスキング言語モデリングタスクとして扱う。
論文 参考訳（メタデータ） (2023-07-01T08:17:23Z) - Decoding a Neural Retriever's Latent Space for Query Suggestion [28.410064376447718]
本稿では,有意なクエリをその潜在表現から復号することが可能であること,また,潜在空間の正しい方向に移動すると,関連する段落を検索するクエリを復号することができることを示す。
クエリデコーダを用いて、MSMarcoのクエリ再構成の大規模な合成データセットを生成する。
このデータに基づいて、クエリー提案の適用のために擬似関連フィードバック(PRF)T5モデルを訓練する。
論文 参考訳（メタデータ） (2022-10-21T16:19:31Z) - LoL: A Comparative Regularization Loss over Query Reformulation Losses
for Pseudo-Relevance Feedback [70.44530794897861]
Pseudo-Relevance feedback (PRF) は、検索精度を向上させるための効果的なクエリ修正手法であることが証明されている。
既存のPRF手法は、同じクエリから派生した修正クエリを個別に扱うが、異なる数のフィードバックドキュメントを使用する。
そこで我々はLos-over-Loss(LoL)フレームワークを提案する。
論文 参考訳（メタデータ） (2022-04-25T10:42:50Z) - Session-Aware Query Auto-completion using Extreme Multi-label Ranking [61.753713147852125]
本稿では,セッション対応クエリ自動補完の新たな手法を,XMR(Multi Multi-Xtreme Ranking)問題として取り上げる。
アルゴリズムのキーステップにいくつかの修正を提案することにより、この目的のために一般的なXMRアルゴリズムを適応させる。
当社のアプローチは、セッション情報を活用しながら、自動補完システムの厳しいレイテンシ要件を満たします。
論文 参考訳（メタデータ） (2020-12-09T17:56:22Z)
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。