Fugu-MT 論文翻訳(概要): Some Practice for Improving the Search Results of E-commerce

論文の概要: Some Practice for Improving the Search Results of E-commerce

arxiv url: http://arxiv.org/abs/2208.00108v1
Date: Sat, 30 Jul 2022 00:44:54 GMT
ステータス: 処理完了
システム内更新日: 2022-08-02 14:24:01.516229
Title: Some Practice for Improving the Search Results of E-commerce
Title（参考訳）: 電子商取引の検索結果改善のための実践
Authors: Fanyou Wu, Yang Liu, Rado Gazo, Benes Bedrich, Xiaobo Qu
Abstract要約: アマゾンKDDカップ2022では,検索結果の品質向上に自然言語処理を適用することを目的としている。第1タスクで6位、第2タスクで2位、第3タスクで2位となる。
参考スコア（独自算出の注目度）: 12.622032915468525
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the Amazon KDD Cup 2022, we aim to apply natural language processing methods to improve the quality of search results that can significantly enhance user experience and engagement with search engines for e-commerce. We discuss our practical solution for this competition, ranking 6th in task one, 2nd in task two, and 2nd in task 3. The code is available at https://github.com/wufanyou/KDD-Cup-2022-Amazon.
Abstract（参考訳）: 我々は,Amazon KDD Cup 2022において,eコマースのユーザエクスペリエンスとエンゲージメントを大幅に向上させるような,検索結果の品質向上を目的とした自然言語処理手法を提案する。このコンペティションの実際的なソリューションについて,第1タスクで第6位,第2タスクで第2位,第3タスクで第2位を議論する。コードはhttps://github.com/wufanyou/KDD-Cup-2022-Amazonで入手できる。

関連論文リスト

LLaSA: Large Language and E-Commerce Shopping Assistant [17.53318263751155]
EshopInstructと呼ばれる65,000のサンプルと多様なタスクからなる命令データセットを作成します。我々のデータセットの命令チューニングを通じて、LLaSAという名前のアシスタントは、全能アシスタントとして機能する可能性を示す。 Amazon KDD Cup 2024 Challengeでは,提案手法であるLLaSAがShopBenchで3位にランクインした。
論文参考訳（メタデータ） (2024-08-04T12:10:51Z)
Tree Search for Language Model Agents [69.43007235771383]
対話型Web環境での探索と多段階計画を行うために,LMエージェントの推論時探索アルゴリズムを提案する。我々のアプローチは、実環境空間内で機能する最優先木探索の一形態である。現実的なWebタスクにおいて有効性を示すLMエージェントのための最初の木探索アルゴリズムである。
論文参考訳（メタデータ） (2024-07-01T17:07:55Z)
Amazon-M2: A Multilingual Multi-locale Shopping Session Dataset for Recommendation and Text Generation [127.35910314813854]
Amazon Multi-locale Shopping Sessionデータセット、すなわちAmazon-M2を提示します。 6つの異なるローカライズされた数百万のユーザセッションからなる、最初の多言語データセットである。注目すべきは、データセットがパーソナライズとユーザの好みの理解を高めるのに役立つことだ。
論文参考訳（メタデータ） (2023-07-19T00:08:49Z)
TaskWeb: Selecting Better Source Tasks for Multi-task NLP [76.03221609799931]
ペアワイズタスク転送によるタスク関係の認識は、新しいターゲットタスクの学習に役立つ1つ以上のソースタスクの選択を改善する。私たちはTaskWebを使って、新しいターゲットタスクの学習にソースタスクを使うことの利点を推定し、マルチタスクトレーニングに有用なトレーニングタスクのサブセットを選択する。本手法は,ソースタスクの総合ランキングとトップk精度をそれぞれ10%,トップk精度を38%向上させる。
論文参考訳（メタデータ） (2023-05-22T17:27:57Z)
Evaluating Embedding APIs for Information Retrieval [51.24236853841468]
ドメインの一般化と多言語検索における既存のセマンティック埋め込みAPIの機能を評価する。 BM25の結果をAPIを使って再ランク付けすることは、予算に優しいアプローチであり、英語でもっとも効果的である。非英語検索では、再ランク付けは結果を改善するが、BM25のハイブリッドモデルは高いコストで機能する。
論文参考訳（メタデータ） (2023-05-10T16:40:52Z)
Que2Engage: Embedding-based Retrieval for Relevant and Engaging Products at Facebook Marketplace [15.054431410052851]
Que2Engageは、エンドツーエンド最適化のための検索とランキングのギャップを埋めるために構築された検索用EBRシステムである。提案手法の有効性を,マルチタスク評価フレームワークと徹底的なベースライン比較およびアブレーション研究を通じて示す。
論文参考訳（メタデータ） (2023-02-21T23:10:16Z)
Fantastic Rewards and How to Tame Them: A Case Study on Reward Learning for Task-oriented Dialogue Systems [111.80916118530398]
強化学習(RL)技術は、ユーザ固有の目標を達成するための対話戦略を訓練するために、自然に利用することができる。本稿では,エンド・ツー・エンド(E2E)TODエージェントのトレーニングにおいて,報酬関数を効果的に学習し,活用する方法という疑問に答えることを目的とする。
論文参考訳（メタデータ） (2023-02-20T22:10:04Z)
A Novel Approach for Auto-Formulation of Optimization Problems [66.94228200699997]
Natural Language for Optimization (NL4Opt) NeurIPS 2022コンペティションでは、最適化ソルバのアクセシビリティとユーザビリティの改善に重点を置いている。本稿では,チームのソリューションについて述べる。提案手法は,サブタスク1のF1スコアとサブタスク2の0.867の精度を達成し,それぞれ第4位,第3位を獲得した。
論文参考訳（メタデータ） (2023-02-09T13:57:06Z)
Deep Natural Language Processing for LinkedIn Search [20.617887422918194]
検索システムの構築には,テキストデータセマンティクスの理解が不可欠である。ディープラーニングベースの自然言語処理技術(ディープNLP)は、非常に役に立ちます。この作業はLinkedIn検索の既存の取り組みに基づいており、LinkedInの商用検索エンジンで大規模にテストされている。
論文参考訳（メタデータ） (2021-08-16T23:37:33Z)
UPB at SemEval-2020 Task 9: Identifying Sentiment in Code-Mixed Social Media Texts using Transformers and Multi-Task Learning [1.7196613099537055]
本研究チームは,SemEval-2020 Task 9のために開発したシステムについて述べる。私たちは、ヒンディー語とスペイン語の2つのよく知られた混成言語をカバーすることを目指しています。提案手法は, 平均F1スコアが0.6850であるヒンディー語タスクにおいて, 有望な性能を達成する。スペイン語と英語のタスクでは、29人中17人として、平均で0.7064のF1スコアを獲得しました。
論文参考訳（メタデータ） (2020-09-06T17:19:18Z)
User Intent Inference for Web Search and Conversational Agents [3.9400263964632836]
1)会話エージェントに対する発話トピックと意図の分類 2) Web検索エンジンに対する質問意図のマイニングと分類。最初の話題に対処するために,ユーザの発話の話題と意図の両方を予測するために,エンティティ情報と会話内容の手がかりを組み込む新しいモデルを提案した。第2の研究テーマとして,Web検索意図予測における工法の現状をeコマース領域に拡張する計画を立てる。
論文参考訳（メタデータ） (2020-05-28T07:04:42Z)

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。