論文の概要: Modified Query Expansion Through Generative Adversarial Networks for
Information Extraction in E-Commerce
- arxiv url: http://arxiv.org/abs/2301.00036v1
- Date: Fri, 30 Dec 2022 19:21:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 16:23:45.264481
- Title: Modified Query Expansion Through Generative Adversarial Networks for
Information Extraction in E-Commerce
- Title(参考訳): 電子商取引における情報抽出のためのジェネレーティブ・アドバイザリ・ネットワークによるクエリ拡張
- Authors: Altan Cakir and Mert Gurkan
- Abstract要約: 本研究は,eコマースにおける情報検索の有効性を高めるために,GAN(Generative Adversarial Network)を用いたクエリ拡張のための代替手法を提案する。
そこで本研究では,クエリを合成クエリで拡張することでキーワードを解消する,改良されたQE条件付きGAN(mQE-CGAN)フレームワークを提案する。
実験により,mQE-CGANフレームワークにおける条件構造の利用により,生成したシーケンスと参照ドキュメントのセマンティックな類似性が10%近く向上することを示した。
- 参考スコア(独自算出の注目度): 1.713291434132985
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This work addresses an alternative approach for query expansion (QE) using a
generative adversarial network (GAN) to enhance the effectiveness of
information search in e-commerce. We propose a modified QE conditional GAN
(mQE-CGAN) framework, which resolves keywords by expanding the query with a
synthetically generated query that proposes semantic information from text
input. We train a sequence-to-sequence transformer model as the generator to
produce keywords and use a recurrent neural network model as the discriminator
to classify an adversarial output with the generator. With the modified CGAN
framework, various forms of semantic insights gathered from the query document
corpus are introduced to the generation process. We leverage these insights as
conditions for the generator model and discuss their effectiveness for the
query expansion task. Our experiments demonstrate that the utilization of
condition structures within the mQE-CGAN framework can increase the semantic
similarity between generated sequences and reference documents up to nearly 10%
compared to baseline models
- Abstract(参考訳): 本研究は,eコマースにおける情報検索の有効性を高めるために,GAN(Generative Adversarial Network)を用いたクエリ拡張(QE)の代替手法を提案する。
テキスト入力から意味情報を提案する合成クエリでクエリを拡張し、キーワードを解消する改良型QE条件付きGAN(mQE-CGAN)フレームワークを提案する。
我々は、シーケンス-シーケンス変換トランスモデルを生成器として訓練し、キーワードを生成し、再帰ニューラルネットワークモデルを識別器として使用し、逆出力を生成器で分類する。
改良されたCGANフレームワークでは、クエリドキュメントコーパスから収集されたさまざまな意味的な洞察が生成プロセスに導入される。
これらの知見をジェネレータモデルの条件として活用し,クエリ拡張タスクの有効性について考察する。
実験により,mQE-CGANフレームワークにおける条件構造の利用により,生成シーケンスと参照ドキュメント間の意味的類似性が,ベースラインモデルと比較して10%近く向上することを示した。
関連論文リスト
- It's All Relative! -- A Synthetic Query Generation Approach for
Improving Zero-Shot Relevance Prediction [19.881193965130173]
大規模言語モデル(LLM)は、最大8つのデモをプロンプトすることで、合成クエリ-ドキュメントペアを生成する能力を示す。
異なるラベルに対するクエリを同時に生成することで,この負担を軽減することを提案する。
論文 参考訳(メタデータ) (2023-11-14T06:16:49Z) - Recommender Systems with Generative Retrieval [58.454606442670034]
本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。
そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。
提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
論文 参考訳(メタデータ) (2023-05-08T21:48:17Z) - Enhancing Multi-modal and Multi-hop Question Answering via Structured
Knowledge and Unified Retrieval-Generation [33.56304858796142]
マルチモーダルなマルチホップ質問応答は、異なるモーダルから複数の入力ソースを推論することで質問に答える。
既存の手法は、しばしば別々に証拠を検索し、その後言語モデルを使用して、得られた証拠に基づいて回答を生成する。
本稿では,これらの問題に対処するため,構造化知識と統一検索生成(RG)アプローチを提案する。
論文 参考訳(メタデータ) (2022-12-16T18:12:04Z) - DORE: Document Ordered Relation Extraction based on Generative Framework [56.537386636819626]
本稿では,既存のDocREモデルの根本原因について検討する。
本稿では,モデルが学習しやすく,決定論的な関係行列から記号列と順序列を生成することを提案する。
4つのデータセットに対する実験結果から,提案手法は生成型DocREモデルの性能を向上させることができることが示された。
論文 参考訳(メタデータ) (2022-10-28T11:18:10Z) - Entailment Tree Explanations via Iterative Retrieval-Generation Reasoner [56.08919422452905]
我々はIRGR(Iterative Retrieval-Generation Reasoner)と呼ばれるアーキテクチャを提案する。
本モデルでは,テキストの前提からステップバイステップの説明を体系的に生成することにより,与えられた仮説を説明することができる。
前提条件の検索と細分化木の生成に関する既存のベンチマークを上回り、全体の正しさはおよそ300%向上した。
論文 参考訳(メタデータ) (2022-05-18T21:52:11Z) - GQE-PRF: Generative Query Expansion with Pseudo-Relevance Feedback [8.142861977776256]
PRFに基づくクエリ拡張にテキスト生成モデルを効果的に統合する新しい手法を提案する。
提案手法では,初期クエリと擬似関連フィードバックの両方を条件としたニューラルテキスト生成モデルを用いて,拡張クエリ項を生成する。
2つのベンチマークデータセットを用いて,情報検索タスクに対するアプローチの有効性を評価する。
論文 参考訳(メタデータ) (2021-08-13T01:09:02Z) - Keyphrase Extraction with Dynamic Graph Convolutional Networks and
Diversified Inference [50.768682650658384]
キーワード抽出(KE)は、ある文書でカバーされている概念やトピックを正確に表現するフレーズの集合を要約することを目的としている。
最近のシークエンス・ツー・シークエンス(Seq2Seq)ベースの生成フレームワークはKEタスクで広く使われ、様々なベンチマークで競合性能を得た。
本稿では,この2つの問題を同時に解くために,動的グラフ畳み込みネットワーク(DGCN)を採用することを提案する。
論文 参考訳(メタデータ) (2020-10-24T08:11:23Z) - GRIT: Generative Role-filler Transformers for Document-level Event
Entity Extraction [134.5580003327839]
本稿では、文書レベルでコンテキストをモデル化するための生成トランスフォーマーベースのエンコーダデコーダフレームワーク(GRIT)を紹介する。
我々は,MUC-4データセットに対する我々のアプローチを評価し,我々のモデルが先行作業よりもかなり優れていることを示す。
論文 参考訳(メタデータ) (2020-08-21T01:07:36Z) - Conversational Question Reformulation via Sequence-to-Sequence
Architectures and Pretrained Language Models [56.268862325167575]
本稿では、列列列構造と事前学習言語モデル(PLM)を用いた会話型質問修正(CQR)の実証的研究について述べる。
我々はPLMを利用して、CQRタスクの目的である最大推定におけるトークン・トークン・トークン・トークンの独立性の強い仮定に対処する。
我々は、最近導入されたCANARDデータセットの微調整PLMをドメイン内タスクとして評価し、TREC 2019 CAsT Trackのデータからドメイン外タスクとしてモデルを検証する。
論文 参考訳(メタデータ) (2020-04-04T11:07:54Z)
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。