論文の概要: Multi-Intent Attribute-Aware Text Matching in Searching

• arxiv url: http://arxiv.org/abs/2402.07788v1
• Date: Mon, 12 Feb 2024 16:54:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-13 13:30:35.547204
• Title: Multi-Intent Attribute-Aware Text Matching in Searching
• Title（参考訳）: 検索におけるマルチインテント属性認識テキストマッチング
• Authors: Mingzhe Li, Xiuying Chen, Jing Xiang, Qishen Zhang, Changsheng Ma, Chenchen Dai, Jinxiong Chang, Zhongyi Liu, Guannan Zhang
• Abstract要約: 本稿では,属性認識エンコーダ,マルチインテントモデリング,インテント認識マッチングという3つの主要コンポーネントから構成されるマルチインテント属性認識マッチングモデルを提案する。 MIMでは、属性の重要性に関して、テキストと属性を重み付けし、スケールされた注意機構を通じて処理する。 意図認識マッチングにおいて、意図は自己監督型マスキングタスクによって評価され、次に組み込まれて最終的なマッチング結果が出力される。
• 参考スコア（独自算出の注目度）: 21.92265431319774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text matching systems have become a fundamental service in most searching platforms. For instance, they are responsible for matching user queries to relevant candidate items, or rewriting the user-input query to a pre-selected high-performing one for a better search experience. In practice, both the queries and items often contain multiple attributes, such as the category of the item and the location mentioned in the query, which represent condensed key information that is helpful for matching. However, most of the existing works downplay the effectiveness of attributes by integrating them into text representations as supplementary information. Hence, in this work, we focus on exploring the relationship between the attributes from two sides. Since attributes from two ends are often not aligned in terms of number and type, we propose to exploit the benefit of attributes by multiple-intent modeling. The intents extracted from attributes summarize the diverse needs of queries and provide rich content of items, which are more refined and abstract, and can be aligned for paired inputs. Concretely, we propose a multi-intent attribute-aware matching model (MIM), which consists of three main components: attribute-aware encoder, multi-intent modeling, and intent-aware matching. In the attribute-aware encoder, the text and attributes are weighted and processed through a scaled attention mechanism with regard to the attributes' importance. Afterward, the multi-intent modeling extracts intents from two ends and aligns them. Herein, we come up with a distribution loss to ensure the learned intents are diverse but concentrated, and a kullback-leibler divergence loss that aligns the learned intents. Finally, in the intent-aware matching, the intents are evaluated by a self-supervised masking task, and then incorporated to output the final matching result.
• Abstract（参考訳）: テキストマッチングシステムは、ほとんどの検索プラットフォームで基本的なサービスとなっている。 例えば、ユーザクエリと関連する候補項目のマッチング、あるいはユーザ入力クエリを選択済みのハイパフォーマンスクエリに書き換えて、より優れた検索エクスペリエンスを提供する。 実際には、クエリとアイテムの両方に、アイテムのカテゴリやクエリで言及される場所など、マッチングに役立つ集約されたキー情報を表す複数の属性が含まれていることが多い。 しかし、既存の作品の多くは、属性を補足情報としてテキスト表現に統合することにより、属性の有効性を損なう。 そこで本研究では,2つの属性間の関係について検討する。 両端の属性は数と型で整合しないことが多いので,マルチインテント・モデリングによる属性の利点を活用することを提案する。 属性から抽出されたインテントは、クエリのさまざまなニーズを要約し、より洗練され抽象的なアイテムの豊富なコンテンツを提供する。 具体的には、属性認識エンコーダ、マルチインテントモデリング、インテント認識マッチングの3つの主要コンポーネントからなるマルチインテント属性認識マッチングモデル(MIM)を提案する。 属性認識エンコーダでは、属性の重要性に関してテキストと属性を重み付けし、スケールされた注意機構を通じて処理する。 その後、マルチインテント・モデリングは、2つの端から意図を抽出して調整する。 ここでは,学習意図が多様だが集中的であることを保証する分散損失と,学習意図に合わせたkullback-leiblerダイバーデンス損失を見出す。 最後に、意図認識マッチングにおいて、意図を自己監督型マスキングタスクで評価し、最終マッチング結果を出力するために組み込む。

関連論文リスト

• QUIDS: Query Intent Generation via Dual Space Modeling [12.572815037915348]
  本稿では,検索意図の理解を説明するために,返却文書における意味的関連性および無関係情報を利用する二重空間モデルを提案する。 提案手法は高品質な問合せインテント記述を生成し,既存の手法と最先端の問合せベース要約手法を比較検討する。
  論文  参考訳（メタデータ） (2024-10-16T09:28:58Z)
• MARS: Matching Attribute-aware Representations for Text-based Sequential Recommendation [11.460164505052981]
  テキストベースのシーケンスレコメンデーション(MARS)のための新しいモデルであるマッチング属性認識表現を提案する。 MARSは属性対応のテキストエンコーディングを通じて詳細なユーザとアイテムの表現を抽出し、複数の属性対応の表現で多様なユーザ意図をキャプチャする。 そして属性レベルのユーザの好みを効果的にキャプチャする。
  論文  参考訳（メタデータ） (2024-09-01T12:11:48Z)
• EAVE: Efficient Product Attribute Value Extraction via Lightweight Sparse-layer Interaction [94.22610101608332]
  本稿では,軽量なスパース層間相互作用による効率的な製品属性値抽出(EAVE)手法を提案する。 我々は、製品コンテキストと属性を別々にエンコードするために重いエンコーダを使用します。その結果、コンテキストの非相互作用的なヘビー表現は、すべての属性に対してキャッシュされ、再利用されます。 提案手法は, コンテキストが長く, 属性数が大きい場合, 性能が中立的あるいは限界的に低下した場合に, 顕著な効率向上を実現する。
  論文  参考訳（メタデータ） (2024-06-10T23:06:38Z)
• Answering Compositional Queries with Set-Theoretic Embeddings [43.926610595182126]
  ボックス埋め込みは、学習可能なVennダイアグラムと考えることができる領域ベースの表現である。 双方の行動に関する知見を提供する実験と分析について述べる。 ベクトルとボックスの埋め込みは単一の属性クエリに等しく適しているが、コンポジションクエリボックスの埋め込みは大きな利点がある。
  論文  参考訳（メタデータ） (2023-06-07T04:04:36Z)
• FashionSearchNet-v2: Learning Attribute Representations with Localization for Image Retrieval with Attribute Manipulation [22.691709684780292]
  提案されているFashionSearchNet-v2アーキテクチャは、その弱教師付きローカライゼーションモジュールを利用して属性固有の表現を学習することができる。 ネットワークは属性分類と三重項ランキング損失の組み合わせで共同で訓練され、局所表現を推定する。 FashionSearchNet-v2は、属性数の観点からリッチないくつかのデータセットで実施された実験により、他の最先端属性操作技術よりも優れていた。
  論文  参考訳（メタデータ） (2021-11-28T13:50:20Z)
• AdaTag: Multi-Attribute Value Extraction from Product Profiles with Adaptive Decoding [55.89773725577615]
  本稿ではアダプティブデコーディングを用いて属性抽出を行うAdaTagを提案する。 実世界のeコマースデータセットに関する我々の実験は、以前の方法よりも顕著に改善されたことを示している。
  論文  参考訳（メタデータ） (2021-06-04T07:54:11Z)
• Fine-Grained Fashion Similarity Prediction by Attribute-Specific Embedding Learning [71.74073012364326]
  ASEN(Attribute-Specific Embedding Network)を提案し、複数の属性固有の埋め込みを共同学習する。 提案したASENはグローバルブランチとローカルブランチで構成されている。 ファッション関連データセットであるFashionAI、DARN、DeepFashionの3つの実験は、ファッション類似性予測におけるASENの有効性を示している。
  論文  参考訳（メタデータ） (2021-04-06T11:26:38Z)
• Dynamic Semantic Matching and Aggregation Network for Few-shot Intent Detection [69.2370349274216]
  利用可能な注釈付き発話が不足しているため、インテント検出は困難である。 セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。 本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
  論文  参考訳（メタデータ） (2020-10-06T05:16:38Z)
• Automatic Validation of Textual Attribute Values in E-commerce Catalog by Learning with Limited Labeled Data [61.789797281676606]
  そこで我々はMetaBridgeと呼ばれる新しいメタ学習潜伏変数アプローチを提案する。 限られたラベル付きデータを持つカテゴリのサブセットから、転送可能な知識を学ぶことができる。 ラベルのないデータで、目に見えないカテゴリの不確実性を捉えることができる。
  論文  参考訳（メタデータ） (2020-06-15T21:31:05Z)
• Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach [61.2786065744784]
  レコメンデーションシステムでは、ユーザとアイテムは属性に関連付けられ、ユーザはアイテムの好みを表示する。 ユーザ(item)属性をアノテートすることは労働集約的なタスクであるため、属性値が欠落している多くの属性値と不完全であることが多い。 本稿では,共同項目推薦と属性推論のための適応グラフ畳み込みネットワーク(AGCN)アプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-25T10:50:01Z)

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。