論文の概要: Deep Reinforcement Agent for Efficient Instant Search
- arxiv url: http://arxiv.org/abs/2203.09644v1
- Date: Thu, 17 Mar 2022 22:47:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-21 15:01:55.215775
- Title: Deep Reinforcement Agent for Efficient Instant Search
- Title(参考訳): 効率的な瞬時探索のための深層補強剤
- Authors: Ravneet Singh Arora, Sreejith Menon, Ayush Jain, Nehil Jain
- Abstract要約: 本稿では,関連する文書を検索する上で,意味的により健全なトークンを識別することで,負荷問題に対処することを提案する。
我々は、検索エンジンと直接対話し、単語の重要性を予測する強化エージェントを訓練する。
トリガーサーチ数とシステム性能のトレードオフを研究するために,新しい評価フレームワークを提案する。
- 参考スコア(独自算出の注目度): 14.086339486783018
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Instant Search is a paradigm where a search system retrieves answers on the
fly while typing. The na\"ive implementation of an Instant Search system would
hit the search back-end for results each time a user types a key, imposing a
very high load on the underlying search system. In this paper, we propose to
address the load issue by identifying tokens that are semantically more salient
towards retrieving relevant documents and utilize this knowledge to trigger an
instant search selectively. We train a reinforcement agent that interacts
directly with the search engine and learns to predict the word's importance.
Our proposed method treats the underlying search system as a black box and is
more universally applicable to a diverse set of architectures. Furthermore, a
novel evaluation framework is presented to study the trade-off between the
number of triggered searches and the system's performance. We utilize the
framework to evaluate and compare the proposed reinforcement method with other
intuitive baselines. Experimental results demonstrate the efficacy of the
proposed method towards achieving a superior trade-off.
- Abstract(参考訳): インスタント検索(Instant Search)は、検索システムがタイピング中にリアルタイムで回答を検索するパラダイムである。
インスタント検索システムのna\"ive実装は、ユーザがキーを入力する度に検索結果のバックエンドにヒットし、基礎となる検索システムに非常に高い負荷をかける。
本稿では,関連する文書の検索において,意味的に有意義なトークンを識別し,その知識を利用して即座に検索を行う手法を提案する。
我々は、検索エンジンと直接対話し、単語の重要性を予測する強化エージェントを訓練する。
提案手法は,基盤となる検索システムをブラックボックスとして扱い,より汎用的に多様なアーキテクチャに適用できる。
さらに, トリガ検索数とシステム性能のトレードオフを検討するために, 新たな評価フレームワークを提案する。
提案手法を他の直感的ベースラインと評価・比較するために,本フレームワークを利用する。
提案手法が優れたトレードオフを達成するための有効性を示す実験結果を得た。
関連論文リスト
- Dense X Retrieval: What Retrieval Granularity Should We Use? [59.359325855708974]
しばしば見過ごされる設計選択は、コーパスが索引付けされる検索単位である。
提案手法はテキスト内の原子式として定義され,それぞれが別個のファクトイドをカプセル化している。
その結果,命題に基づく検索は,従来の通訳法や文による検索方法よりも格段に優れていることがわかった。
論文 参考訳(メタデータ) (2023-12-11T18:57:35Z) - Large Search Model: Redefining Search Stack in the Era of LLMs [63.503320030117145]
我々は,1つの大言語モデル(LLM)で検索タスクを統一することにより,従来の検索スタックを再定義する,大規模検索モデルと呼ばれる新しい概念的フレームワークを導入する。
全てのタスクは自動回帰テキスト生成問題として定式化され、自然言語のプロンプトを使ってタスクをカスタマイズできる。
提案フレームワークは,LLMの強力な言語理解と推論能力を活用し,既存の検索スタックを簡素化しつつ,検索結果の質を向上させる能力を提供する。
論文 参考訳(メタデータ) (2023-10-23T05:52:09Z) - End-to-End Open Vocabulary Keyword Search With Multilingual Neural
Representations [7.780766187171571]
競合性能を実現するニューラルネットワークによるASRフリーキーワード検索モデルを提案する。
本研究は,多言語事前学習と詳細なモデル解析により拡張する。
実験の結果,提案した多言語学習はモデルの性能を大幅に向上させることがわかった。
論文 参考訳(メタデータ) (2023-08-15T20:33:25Z) - Retrieval Augmentation for Commonsense Reasoning: A Unified Approach [64.63071051375289]
検索強化コモンセンス推論(RACo)の統一的枠組みを提案する。
提案するRACoは,他の知識強化手法よりも優れる。
論文 参考訳(メタデータ) (2022-10-23T23:49:08Z) - 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) - Boosting Search Engines with Interactive Agents [25.89284695491093]
本稿では,文脈的クエリ改善のためのメタストラテジーを学習するエージェントの設計における第一歩について述べる。
エージェントには単純だが効果的な検索操作者がいて、クエリや検索結果のきめ細やかで透明な制御を行う。
論文 参考訳(メタデータ) (2021-09-01T13:11:57Z) - Neural Extractive Search [53.15076679818303]
ドメインの専門家は、しばしば大きなコーパスから構造化された情報を抽出する必要がある。
我々は「抽出探索」と呼ばれる探索パラダイムを提唱し、探索クエリをキャプチャスロットで強化する。
ニューラル検索とアライメントを用いてリコールをどのように改善できるかを示す。
論文 参考訳(メタデータ) (2021-06-08T18:03:31Z) - Deep Search Query Intent Understanding [17.79430887321982]
本稿では,検索の異なる段階における問合せ意図をモデル化するための総合的な学習フレームワークの提供を目的とする。
我々は,1) 文字レベルモデルを用いたタイプアヘッド検索において,入力したユーザの意図をオンザフライで予測すること,2) 完全クエリのための正確な単語レベルの意図予測モデルに焦点をあてる。
論文 参考訳(メタデータ) (2020-08-15T18:19:56Z) - 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) - AutoOD: Automated Outlier Detection via Curiosity-guided Search and
Self-imitation Learning [72.99415402575886]
外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。
本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。
さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2020-06-19T18:57:51Z)
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。
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。