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
- 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) - ConvGQR: Generative Query Reformulation for Conversational Search [37.54018632257896]
ConvGQRは、生成事前訓練された言語モデルに基づいて会話クエリを再構成する新しいフレームワークである。
本稿では,クエリ再構成と検索の両方を最適化する知識注入機構を提案する。
論文 参考訳(メタデータ) (2023-05-25T01:45:06Z) - Query Rewriting for Retrieval-Augmented Large Language Models [139.242907155883]
大規模言語モデル(LLM)は、検索対象のパイプラインで強力なブラックボックスリーダーを動作させる。
この作業では、検索拡張LDMに対する以前の検索テーマ読み込みの代わりに、新しいフレームワークであるRewrite-Retrieve-Readを導入する。
論文 参考訳(メタデータ) (2023-05-23T17:27:50Z) - 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) - Query Expansion Using Contextual Clue Sampling with Language Models [69.51976926838232]
本稿では,実効的なフィルタリング戦略と検索した文書の融合の組み合わせを,各文脈の生成確率に基づいて提案する。
我々の語彙マッチングに基づくアプローチは、よく確立された高密度検索モデルDPRと比較して、同様のトップ5/トップ20検索精度と上位100検索精度を実現する。
エンド・ツー・エンドのQAでは、読者モデルも我々の手法の恩恵を受けており、いくつかの競争基準に対してエクサクト・マッチのスコアが最も高い。
論文 参考訳(メタデータ) (2022-10-13T15:18:04Z) - 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) - 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 Rewriting via Cycle-Consistent Translation for E-Commerce Search [13.723266150864037]
本稿では,新しいディープニューラルネットワークによる問合せ書き換え手法を提案する。
繰り返し機械翻訳問題にクエリ書き換えを定式化します。
最新の機械翻訳モデルと連動した、新しいサイクル整合性トレーニングアルゴリズムを紹介します。
論文 参考訳(メタデータ) (2021-03-01T06:47:12Z) - 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) - 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。