論文の概要: Click-Feedback Retrieval

• arxiv url: http://arxiv.org/abs/2305.00052v1
• Date: Fri, 28 Apr 2023 19:03:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-02 17:26:57.603736
• Title: Click-Feedback Retrieval
• Title（参考訳）: クリックフィードバック検索
• Authors: Zeyu Wang, Yu Wu
• Abstract要約: 本研究では,ユーザが好ましくない検索結果をクリックしてフィードバックを提供する環境について検討する。 我々は,ファッション領域における大規模データセットに基づいて,クリックフィードバック検索と呼ばれる新しいベンチマークを構築した。
• 参考スコア（独自算出の注目度）: 10.203235400791845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieving target information based on input query is of fundamental importance in many real-world applications. In practice, it is not uncommon for the initial search to fail, where additional feedback information is needed to guide the searching process. In this work, we study a setting where the feedback is provided through users clicking liked and disliked searching results. We believe this form of feedback is of great practical interests for its convenience and efficiency. To facilitate future work in this direction, we construct a new benchmark termed click-feedback retrieval based on a large-scale dataset in fashion domain. We demonstrate that incorporating click-feedback can drastically improve the retrieval performance, which validates the value of the proposed setting. We also introduce several methods to utilize click-feedback during training, and show that click-feedback-guided training can significantly enhance the retrieval quality. We hope further exploration in this direction can bring new insights on building more efficient and user-friendly search engines.
• Abstract（参考訳）: 入力クエリに基づくターゲット情報検索は,多くの実世界アプリケーションにおいて極めて重要である。 実際には、初期探索が失敗することは珍しくなく、探索プロセスを導くために追加のフィードバック情報が必要である。 本研究では,ユーザが好ましくない検索結果をクリックしてフィードバックを提供する環境について検討する。 この形式のフィードバックは、利便性と効率性に対して非常に実践的な関心事であると考えています。 そこで,本稿では,ファッション領域における大規模データセットに基づくクリックフィードバック検索という新しいベンチマークを構築した。 クリックフィードバックを組み込むことで検索性能が大幅に向上し,提案する設定の値が検証できることを示す。 また, 学習中にクリックフィードバックを利用する方法をいくつか紹介し, クリックフィードバック誘導訓練によって検索品質が著しく向上することを示す。 この方向のさらなる探究が、より効率的でユーザーフレンドリーな検索エンジンを構築するための新しい洞察をもたらすことを願っている。

関連論文リスト

• Performance Evaluation in Multimedia Retrieval [7.801919915773585]
  マルチメディア検索の性能評価は検索実験に大きく依存する。 これらには、検索プロセス自体に対するヒューマン・イン・ザ・ループとマシンのみの設定と、その後の結果の検証が含まれる。 本稿では,このような検索実験のすべての側面を表現するための形式モデルと,柔軟なオープンソース評価基盤を提案する。
  論文  参考訳（メタデータ） (2024-10-09T08:06:15Z)
• Beyond Thumbs Up/Down: Untangling Challenges of Fine-Grained Feedback for Text-to-Image Generation [67.88747330066049]
  きめ細かいフィードバックは、画像の品質と迅速な調整におけるニュアンスドの区別を捉えます。 粗いフィードバックに対する優位性を示すことは、自動ではないことを示す。 きめ細かいフィードバックを抽出し活用する上で重要な課題を特定します。
  論文  参考訳（メタデータ） (2024-06-24T17:19:34Z)
• Relevance feedback strategies for recall-oriented neural information retrieval [0.0]
  本研究は、レビューの労力を削減するための、よりリコール指向のアプローチを提案する。 具体的には、ユーザのフィードバックに基づいて、関連性ランキングを反復的にランク付けする。 その結果,本手法はベースラインアプローチに比べて17.85%から59.04%のレビュー工数を削減できることがわかった。
  論文  参考訳（メタデータ） (2023-11-25T19:50:41Z)
• Exploiting Correlated Auxiliary Feedback in Parameterized Bandits [56.84649080789685]
  そこで本研究では,学習者が追加の補助的フィードバックを観察できるパラメータ化帯域問題の新たな変種について検討する。 補助的なフィードバックは、ユーザのサービス評価(リワード)を観察し、サービス提供時間(補助的なフィードバック)などの追加情報を収集するオンラインプラットフォームなど、多くの現実的なアプリケーションで容易に利用可能である。
  論文  参考訳（メタデータ） (2023-11-05T17:27:06Z)
• A Deep Reinforcement Learning Approach for Interactive Search with Sentence-level Feedback [12.712416630402119]
  対話型検索は、ユーザからのインタラクションフィードバックを取り入れることで、より良いエクスペリエンスを提供することができる。 既存の最先端(SOTA)システムは、相互作用を組み込むために強化学習(RL)モデルを使用している。 しかしそのようなフィードバックには、広範囲なRLアクションスペース探索と大量の注釈付きデータが必要である。 この研究は、新しいディープQラーニング(DQ)アプローチであるDQrankを提案する。
  論文  参考訳（メタデータ） (2023-10-03T18:45:21Z)
• Incorporating Relevance Feedback for Information-Seeking Retrieval using Few-Shot Document Re-Ranking [56.80065604034095]
  我々は,クエリとユーザが関連すると考えるドキュメントとの類似性に基づいて,文書を再参照するkNNアプローチを提案する。 異なる統合戦略を評価するため、既存の4つの情報検索データセットを関連フィードバックシナリオに変換する。
  論文  参考訳（メタデータ） (2022-10-19T16:19:37Z)
• Simulating Bandit Learning from User Feedback for Extractive Question Answering [51.97943858898579]
  教師付きデータを用いたフィードバックのシミュレーションにより,ユーザフィードバックからの学習を抽出的質問応答に適用する。 当初は少数の例でトレーニングしたシステムが,モデル予測された回答に対するユーザからのフィードバックを劇的に改善できることが示される。
  論文  参考訳（メタデータ） (2022-03-18T17:47:58Z)
• Improving Rating and Relevance with Point-of-Interest Recommender System [0.0]
  我々は、協調情報とコンテンツ情報の両方が存在する場合に、クエリとイテムの関連性をモデル化するディープニューラルネットワークアーキテクチャを開発する。 これらの学習された表現を大規模データセットに適用すると、大幅な改善がもたらされた。
  論文  参考訳（メタデータ） (2022-02-17T16:43:17Z)
• PEBBLE: Feedback-Efficient Interactive Reinforcement Learning via Relabeling Experience and Unsupervised Pre-training [94.87393610927812]
  我々は、フィードバックと非政治学習の両方の長所を生かした、非政治的、インタラクティブな強化学習アルゴリズムを提案する。 提案手法は,従来ヒト・イン・ザ・ループ法で検討されていたよりも複雑度の高いタスクを学習可能であることを実証する。
  論文  参考訳（メタデータ） (2021-06-09T14:10:50Z)
• Information Directed Reward Learning for Reinforcement Learning [64.33774245655401]
  我々は、標準rlアルゴリズムが可能な限り少数の専門家クエリで高い期待値を達成することができる報酬関数のモデルを学ぶ。 特定のタイプのクエリ用に設計された以前のアクティブな報酬学習方法とは対照的に、IDRLは自然に異なるクエリタイプに対応します。 我々は,複数の環境における広範囲な評価と,異なるタイプのクエリでこの結果を支持する。
  論文  参考訳（メタデータ） (2021-02-24T18:46:42Z)

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。

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。