論文の概要: A Survey of Generative Search and Recommendation in the Era of Large Language Models
- arxiv url: http://arxiv.org/abs/2404.16924v1
- Date: Thu, 25 Apr 2024 17:58:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-29 14:54:11.609606
- Title: A Survey of Generative Search and Recommendation in the Era of Large Language Models
- Title(参考訳): 大規模言語モデルにおける生成的検索とレコメンデーションに関する調査
- Authors: Yongqi Li, Xinyu Lin, Wenjie Wang, Fuli Feng, Liang Pang, Wenjie Li, Liqiang Nie, Xiangnan He, Tat-Seng Chua,
- Abstract要約: ジェネレーティブ検索(検索)とレコメンデーションは、マッチング問題をジェネレーティブな方法で解決することを目的としている。
超知能生成型大規模言語モデルが検索と推薦の新しいパラダイムを生み出した。
- 参考スコア(独自算出の注目度): 125.26354486027408
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the information explosion on the Web, search and recommendation are foundational infrastructures to satisfying users' information needs. As the two sides of the same coin, both revolve around the same core research problem, matching queries with documents or users with items. In the recent few decades, search and recommendation have experienced synchronous technological paradigm shifts, including machine learning-based and deep learning-based paradigms. Recently, the superintelligent generative large language models have sparked a new paradigm in search and recommendation, i.e., generative search (retrieval) and recommendation, which aims to address the matching problem in a generative manner. In this paper, we provide a comprehensive survey of the emerging paradigm in information systems and summarize the developments in generative search and recommendation from a unified perspective. Rather than simply categorizing existing works, we abstract a unified framework for the generative paradigm and break down the existing works into different stages within this framework to highlight the strengths and weaknesses. And then, we distinguish generative search and recommendation with their unique challenges, identify open problems and future directions, and envision the next information-seeking paradigm.
- Abstract(参考訳): Web上の情報爆発により、検索とレコメンデーションは、ユーザの情報ニーズを満たすための基盤となるインフラである。
同じコインの2つの側面として、どちらも同じ中核的な研究問題を回避し、クエリをドキュメントやユーザとマッチングする。
ここ数十年、検索とレコメンデーションは、機械学習ベースのパラダイムやディープラーニングベースのパラダイムなど、同期技術パラダイムシフトを経験してきた。
近年,超知能な生成型大言語モデルが,検索と推薦の新しいパラダイム,すなわち生成的検索(検索)とレコメンデーションを生み出している。
本稿では,情報システムにおける新たなパラダイムを包括的に調査し,総合的な視点から生成的検索とレコメンデーションの展開を要約する。
既存のワークを単純に分類するのではなく、生成パラダイムの統一されたフレームワークを抽象化し、既存のワークをこのフレームワーク内のさまざまなステージに分割して、長所と短所を強調します。
そして、生成的検索とレコメンデーションをそれぞれの課題と区別し、オープンな問題と今後の方向性を特定し、次の情報探索パラダイムを構想する。
関連論文リスト
- From Matching to Generation: A Survey on Generative Information Retrieval [21.56093567336119]
生成情報検索(GenIR)は新たなパラダイムとして登場し,近年注目を集めている。
本稿では,GenIRの最新研究動向を体系的にレビューすることを目的とする。
論文 参考訳(メタデータ) (2024-04-23T09:05:37Z) - A Review of Modern Recommender Systems Using Generative Models (Gen-RecSys) [57.30228361181045]
我々はジェネレーティブモデル(Gen-RecSys)を用いてレコメンデーションシステムにおける重要な進歩を結びつけることを目指している。
我々の総合的な視点は、Gen-RecSysの影響と害を評価するために必要なパラダイムを強調できる。
論文 参考訳(メタデータ) (2024-03-31T06:57:57Z) - Evaluating Generative Ad Hoc Information Retrieval [58.800799175084286]
従来の文書ランキングの代わりに、多くの生成検索システムは、クエリや質問として表現された情報に対する回答として、接地された生成されたテキストを直接返します。
このような生成的アドホック検索を適切に評価するには,テキスト応答の有用性の定量化が不可欠である。
本分析は, アドホック検索に着目した生成検索システム評価のための基礎と新たな知見を提供する。
論文 参考訳(メタデータ) (2023-11-08T14:05:00Z) - Large Search Model: Redefining Search Stack in the Era of LLMs [63.503320030117145]
我々は,1つの大言語モデル(LLM)で検索タスクを統一することにより,従来の検索スタックを再定義する,大規模検索モデルと呼ばれる新しい概念的フレームワークを導入する。
全てのタスクは自動回帰テキスト生成問題として定式化され、自然言語のプロンプトを使ってタスクをカスタマイズできる。
提案フレームワークは,LLMの強力な言語理解と推論能力を活用し,既存の検索スタックを簡素化しつつ,検索結果の質を向上させる能力を提供する。
論文 参考訳(メタデータ) (2023-10-23T05:52:09Z) - Enhancing Retrieval-Augmented Large Language Models with Iterative
Retrieval-Generation Synergy [164.83371924650294]
検索と生成を反復的に同期させるIter-RetGenと呼ばれる手法により,高い性能が得られることを示す。
モデル出力は、タスクを完了するために必要なものを示し、より関連する知識を取得するための情報的コンテキストを提供する。
Iter-RetGenプロセスは、すべての知識を全体として取得し、構造的な制約なしに生成時の柔軟性をほとんど保持します。
論文 参考訳(メタデータ) (2023-05-24T16:17:36Z) - GPT4Rec: A Generative Framework for Personalized Recommendation and User
Interests Interpretation [8.293646972329581]
GPT4Recは、検索エンジンにインスパイアされた、新しく柔軟な生成フレームワークである。
まず、ユーザの履歴にある項目のタイトルに関する仮説的な"検索クエリ"を生成し、これらのクエリを検索することで推奨項目を検索する。
我々のフレームワークは、2つの公開データセット上のRecall@Kにおいて、最先端のメソッドを75.7%と22.2%でパフォーマンスします。
論文 参考訳(メタデータ) (2023-04-08T00:30:08Z) - Generating recommendations for entity-oriented exploratory search [23.62142250257486]
本稿では,エンティティ指向探索探索のためのレコメンデーションセット生成の課題を紹介する。
我々は、直接レコメンデーションのコレクションを生成することができるテキスト・ツー・テキスト・モデルを構築します。
我々は、包括性、面白さ、非冗長性を促進するために設計されたコスト関数を最適化するレコメンデーションセットを生成するためにモデルを訓練する。
論文 参考訳(メタデータ) (2022-04-02T02:19:47Z) - On the Social and Technical Challenges of Web Search Autosuggestion
Moderation [118.47867428272878]
自動提案は通常、検索ログと文書表現のコーパスに基づいてトレーニングされた機械学習(ML)システムによって生成される。
現在の検索エンジンは、このような問題のある提案を抑えるのに、ますます熟練している。
問題のある提案のいくつかの側面、パイプラインに沿った困難な問題、そしてWeb検索を超えたアプリケーションの増加になぜ私たちの議論が適用されるのかについて論じる。
論文 参考訳(メタデータ) (2020-07-09T19:22:00Z) - Session-based Suggestion of Topics for Geographic Exploratory Search [5.482532589225552]
セッションベースの提案モデルを開発し,概念を「あなたも興味を持つかもしれない」関数として提案する。
対話型検索における提案を漸進的に生成するために,本モデルを適用した。
論文 参考訳(メタデータ) (2020-03-25T10:46:03Z)
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。