論文の概要: Unified Generative & Dense Retrieval for Query Rewriting in Sponsored Search

• arxiv url: http://arxiv.org/abs/2209.05861v2
• Date: Sat, 3 Jun 2023 12:19:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 04:41:47.763860
• Title: Unified Generative & Dense Retrieval for Query Rewriting in Sponsored Search
• Title（参考訳）: 助詞検索におけるクエリ書き換えのための一意な生成と深度検索
• Authors: Akash Kumar Mohankumar, Bhargav Dodla, Gururaj K, Amit Singh
• Abstract要約: オンラインクエリ書き換えのパラダイムとして,ジェネレーティブ(NLG)とDense Retrieval(DR)の2つを比較した。 CLOVER-Unityは1つのモデルで生成的および密度の高い検索方法を統一する新しい手法である。
• 参考スコア（独自算出の注目度）: 6.181557214852772
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sponsored search is a key revenue source for search engines, where advertisers bid on keywords to target users or search queries of interest. However, finding relevant keywords for a given query is challenging due to the large and dynamic keyword space, ambiguous user/advertiser intents, and diverse possible topics and languages. In this work, we present a comprehensive comparison between two paradigms for online query rewriting: Generative (NLG) and Dense Retrieval (DR) methods. We observe that both methods offer complementary benefits that are additive. As a result, we show that around 40% of the high-quality keywords retrieved by the two approaches are unique and not retrieved by the other. To leverage the strengths of both methods, we propose CLOVER-Unity, a novel approach that unifies generative and dense retrieval methods in one single model. Through offline experiments, we show that the NLG and DR components of CLOVER-Unity consistently outperform individually trained NLG and DR models on public and internal benchmarks. Furthermore, we show that CLOVER-Unity achieves 9.8% higher good keyword density than the ensemble of two separate DR and NLG models while reducing computational costs by almost half. We conduct extensive online A/B experiments on Microsoft Bing in 140+ countries and achieve improved user engagement, with an average increase in total clicks by 0.89% and increased revenue by 1.27%. We also share our practical lessons and optimization tricks for deploying such unified models in production.
• Abstract（参考訳）: スポンサー検索は検索エンジンにとって重要な収入源であり、広告主はユーザーがターゲットするキーワードや興味のある検索クエリを入札する。 しかし、クエリに関連するキーワードを見つけることは、大きくて動的なキーワード空間、曖昧なユーザ/アドバタイザの意図、さまざまな可能なトピックや言語のために難しい。 本研究では,オンラインクエリ書き換えにおける2つのパラダイムであるジェネレーティブ(NLG)とDense Retrieval(DR)を総合的に比較する。 両方の方法が相補的な利益をもたらすことを観察する。 その結果,2つの手法によって検索されたキーワードの約40%がユニークであり,他方が検索していないことが分かった。 両手法の強みを生かしたclover-unityを提案する。clover-unityは1つのモデルにおいて生成的および高密度な検索手法を統合する新しい手法である。 オフライン実験により, CLOVER-Unity の NLG と DR コンポーネントは, 個人で訓練した NLG と DR モデルに対して, 公開および内部ベンチマークで一貫した性能を示した。 さらに,CLOVER-Unityは2つのDRモデルとNLGモデルのアンサンブルよりも9.8%高いキーワード密度を実現し,計算コストをほぼ半分に削減した。 我々は140以上の国でmicrosoft bingで大規模なオンラインa/b実験を行い、ユーザーエンゲージメントの向上を実現し、クリック総数を0.89%増加させ、売上を1.27%増加させた。 このような統合モデルを本番環境にデプロイするための実践的な教訓と最適化のトリックも共有しています。

関連論文リスト

• Bridging Search and Recommendation in Generative Retrieval: Does One Task Help the Other? [9.215695600542249]
  検索とレコメンデーションのための生成的検索は、アイテムを検索する上で有望なパラダイムである。 これらの生成システムは、様々な情報検索タスクを単一のモデルにまとめる上で重要な役割を果たす。 本稿では,このような統合されたアプローチが,IRタスクの検索・推薦においてタスク固有モデルより優れているかどうかを考察する。
  論文  参考訳（メタデータ） (2024-10-22T08:49:43Z)
• Learning to Rank for Multiple Retrieval-Augmented Models through Iterative Utility Maximization [21.115495457454365]
  本稿では,複数検索拡張世代(RAG)エージェントを対象とした統合検索エンジンの設計について検討する。 本稿では,これらのRAGエージェントの検索結果を検索エンジンが生成し,オフラインで検索した文書の品質に関するフィードバックを収集する反復的手法を提案する。 我々は、このアプローチをオンライン環境に適応させ、リアルタイムな個別エージェントのフィードバックに基づいて、検索エンジンがその振る舞いを洗練できるようにする。
  論文  参考訳（メタデータ） (2024-10-13T17:53:50Z)
• ACE: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  我々は、エンドツーエンドのクロスモーダル検索のための先駆的なジェネリッククロスモーダル rEtrieval framework (ACE) を提案する。 ACEは、クロスモーダル検索における最先端のパフォーマンスを達成し、Recall@1の強いベースラインを平均15.27%上回る。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• Unified Embedding Based Personalized Retrieval in Etsy Search [0.206242362470764]
  グラフ, 変換器, 項ベース埋め込みを終末に組み込んだ統合埋め込みモデルを学習することを提案する。 我々のパーソナライズされた検索モデルは、検索購入率5.58%、サイト全体のコンバージョン率2.63%によって、検索体験を著しく改善する。
  論文  参考訳（メタデータ） (2023-06-07T23:24:50Z)
• LEAPS: End-to-End One-Step Person Search With Learnable Proposals [50.39493100627476]
  LEAPSという学習可能な提案を用いたエンドツーエンドのワンステップ人物探索手法を提案する。 スパースと学習可能な提案のセットが与えられた後、LEAPSは動的人物検索ヘッドを使用して、非最大抑圧後処理なしで直接人物検出および対応するre-id特徴生成を行う。
  論文  参考訳（メタデータ） (2023-03-21T13:59:32Z)
• Enriching Relation Extraction with OpenIE [70.52564277675056]
  関係抽出(RE)は情報抽出(IE)のサブ分野である 本稿では,オープン情報抽出(OpenIE)の最近の取り組みがREの課題の改善にどのように役立つかを検討する。 本稿では,2つの注釈付きコーパスであるKnowledgeNetとFewRelを用いた実験により,拡張モデルの精度向上を実証した。
  論文  参考訳（メタデータ） (2022-12-19T11:26:23Z)
• 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)
• Multi-Objective Personalized Product Retrieval in Taobao Search [27.994166796745496]
  関連性, 露出性, クリック性, 購入性の4つの階層的最適化目標を持つ, 新規な多目的パーソナライズされた製品検索モデルを提案する。 MOPPRは28日間のオンラインA/Bテストで0.96%のトランザクションと1.29%のGMV改善を達成した。 2021年のDouble-11ショッピングフェスティバル以来、MOPPRは従来のMGDSPRに代わるモバイルタオバオ検索に完全に配備されている。
  論文  参考訳（メタデータ） (2022-10-09T05:18:42Z)
• Diversity driven Query Rewriting in Search Advertising [1.5289756643078838]
  生成的検索モデルは、このようなクエリの書き直しを生成するタスクにおいて有効であることが示されている。 高品質かつ多様な書き直しを生成するフレームワークであるCLOVERを紹介します。 提案手法の有効性を,3つの主要言語にまたがる検索クエリのオフライン実験により実証的に示す。
  論文  参考訳（メタデータ） (2021-06-07T17:30:45Z)
• One-Shot Neural Ensemble Architecture Search by Diversity-Guided Search Space Shrinking [97.60915598958968]
  本稿では,この2つの課題に対処するワンショットニューラルアンサンブルアーキテクチャサーチ(NEAS)ソリューションを提案する。 最初の課題として,探索空間の縮小を導くために,多様性に基づく新しい指標を導入する。 第2の課題として,異なるモデル間の階層共有を効率向上のために学習する新たな探索次元を実現する。
  論文  参考訳（メタデータ） (2021-04-01T16:29:49Z)
• Diverse Knowledge Distillation for End-to-End Person Search [81.4926655119318]
  人物検索は、画像ギャラリーから特定の人物をローカライズし識別することを目的としている。 最近の手法は2つのグループ、すなわち2段階とエンドツーエンドのアプローチに分類できる。 ボトルネックを解消するために、多様な知識蒸留を備えたシンプルで強力なエンドツーエンドネットワークを提案します。
  論文  参考訳（メタデータ） (2020-12-21T09:04:27Z)

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。