Fugu-MT 論文翻訳(概要): Generating Query Recommendations via LLMs

論文の概要: Generating Query Recommendations via LLMs

arxiv url: http://arxiv.org/abs/2405.19749v2
Date: Tue, 04 Jun 2024 07:45:06 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-10 23:33:14.598320
Title: Generating Query Recommendations via LLMs
Title（参考訳）: LLMによるクエリレコメンデーションの生成
Authors: Andrea Bacciu, Enrico Palumbo, Andreas Damianou, Nicola Tonellotto, Fabrizio Silvestri,
Abstract要約: GQR(Generative Query Recommendation)と呼ばれる新しい手法を提案する。 GQRはLLMを基礎として使用しており、クエリレコメンデーション問題に対処するためにトレーニングや微調整を必要としない。我々はRetriever-Augmented GQR(RA-GQR)と呼ばれるクエリログを利用するバージョンを提案する。
参考スコア（独自算出の注目度）: 14.268490610954037
License:
Abstract: Query recommendation systems are ubiquitous in modern search engines, assisting users in producing effective queries to meet their information needs. However, these systems require a large amount of data to produce good recommendations, such as a large collection of documents to index and query logs. In particular, query logs and user data are not available in cold start scenarios. Query logs are expensive to collect and maintain and require complex and time-consuming cascading pipelines for creating, combining, and ranking recommendations. To address these issues, we frame the query recommendation problem as a generative task, proposing a novel approach called Generative Query Recommendation (GQR). GQR uses an LLM as its foundation and does not require to be trained or fine-tuned to tackle the query recommendation problem. We design a prompt that enables the LLM to understand the specific recommendation task, even using a single example. We then improved our system by proposing a version that exploits query logs called Retriever-Augmented GQR (RA-GQR). RA-GQr dynamically composes its prompt by retrieving similar queries from query logs. GQR approaches reuses a pre-existing neural architecture resulting in a simpler and more ready-to-market approach, even in a cold start scenario. Our proposed GQR obtains state-of-the-art performance in terms of NDCG@10 and clarity score against two commercial search engines and the previous state-of-the-art approach on the Robust04 and ClueWeb09B collections, improving on average the NDCG@10 performance up to ~4% on Robust04 and ClueWeb09B w.r.t the previous best competitor. RA-GQR further improve the NDCG@10 obtaining an increase of ~11%, ~6\% on Robust04 and ClueWeb09B w.r.t the best competitor. Furthermore, our system obtained ~59% of user preferences in a blind user study, proving that our method produces the most engaging queries.
Abstract（参考訳）: クェリレコメンデーションシステムは、現代の検索エンジンで広く使われており、ユーザが情報ニーズを満たす効果的なクェリを作成するのを支援する。しかし、これらのシステムは、ログのインデックスとクエリのための大量のドキュメントの収集など、優れたレコメンデーションを生成するために大量のデータを必要とする。特に、クエリログとユーザデータは、コールドスタートシナリオでは利用できない。クエリログは、リコメンデーションの作成、組み合わせ、ランキング作成に複雑で時間を要するカスケードパイプラインを収集、維持するのに高価である。これらの課題に対処するために、クエリ推薦問題を生成タスクとして、生成クエリ勧告(GQR)と呼ばれる新しいアプローチを提案する。 GQRはLLMを基礎として使用しており、クエリレコメンデーション問題に対処するためにトレーニングや微調整を必要としない。我々は、LLMが特定のレコメンデーションタスクを単一の例を使って理解できるようにするプロンプトを設計する。次に、Retriever-Augmented GQR (RA-GQR) と呼ばれるクエリログを利用するバージョンを提案することにより、システムが改善された。 RA-GQrは、クエリログから類似したクエリを検索することで、動的にプロンプトを構成する。 GQRアプローチは、コールドスタートシナリオであっても、既存のニューラルアーキテクチャを再利用することで、よりシンプルでより市場対応のアプローチを実現する。提案したGQRは,NDCG@10と2つの商用検索エンジンに対するClarityスコアと,ロバスト04とClueWeb09Bのコレクションに対する最先端のアプローチを比較検討し,NDCG@10の平均性能を,ロバスト04とClueWeb09Bで最大4%向上した。 RA-GQR は NDCG@10 をさらに改善し、ロバスト04 と ClueWeb09B w.r.t で ~11%, ~6\% の増加を得た。さらに,視覚障害者を対象とした調査では,ユーザの嗜好の約59%が得られた。

関連論文リスト

Disentangling Questions from Query Generation for Task-Adaptive Retrieval [22.86406485412172]
本研究では,BeIRベンチマークで表現された広範囲な検索意図に適応するクエリジェネレータEGGを提案する。提案手法は,従来よりも47倍小さいクエリジェネレータを用いて,探索対象の少ない4つのタスクにおいて,ベースラインと既存モデルの性能を向上する。
論文参考訳（メタデータ） (2024-09-25T02:53:27Z)
BRIGHT: A Realistic and Challenging Benchmark for Reasoning-Intensive Retrieval [54.54576644403115]
多くの複雑な実世界のクエリは、関連する文書を特定するために詳細な推論を必要とする。 BRIGHTは、関係する文書を検索するために、集中的推論を必要とする最初のテキスト検索ベンチマークである。私たちのデータセットは、経済学、心理学、数学、コーディングなど、さまざまな領域にまたがる1,384の現実世界のクエリで構成されています。
論文参考訳（メタデータ） (2024-07-16T17:58:27Z)
CHIQ: Contextual History Enhancement for Improving Query Rewriting in Conversational Search [67.6104548484555]
我々は,オープンソースの大規模言語モデル(LLM)の機能を活用して,クエリ書き換え前の会話履歴の曖昧さを解消する2段階の手法であるCHIQを紹介する。我々は、CHIQがほとんどの設定で最先端の結果をもたらす、よく確立された5つのベンチマークを実証する。
論文参考訳（メタデータ） (2024-06-07T15:23:53Z)
MCS-SQL: Leveraging Multiple Prompts and Multiple-Choice Selection For Text-to-SQL Generation [10.726734105960924]
大規模言語モデル(LLM)は、テキストからタスクへの微調整アプローチを大幅に上回る、ICL(In-context Learning)ベースの手法を実現している。本研究は,LLMのプロンプトに対する感受性を考察し,複数のプロンプトを活用してより広い探索空間を探索する手法を提案する。生成したクエリの精度と効率の両面から,BIRD上に新たなSOTA性能を確立する。
論文参考訳（メタデータ） (2024-05-13T04:59:32Z)
Selecting Query-bag as Pseudo Relevance Feedback for Information-seeking Conversations [76.70349332096693]
情報検索対話システムは電子商取引システムで広く利用されている。クエリバッグに基づくPseudo Relevance Feedback framework(QB-PRF)を提案する。関連クエリを備えたクエリバッグを構築し、擬似シグナルとして機能し、情報検索の会話をガイドする。
論文参考訳（メタデータ） (2024-03-22T08:10:32Z)
Ask Optimal Questions: Aligning Large Language Models with Retriever's Preference in Conversational Search [25.16282868262589]
RetPOは、ターゲット検索システムの好みに合わせて検索クエリを再構成するための言語モデル(LM)を最適化するように設計されている。我々は、12Kの会話で410K以上のクエリを書き換えるRetrievers' Feedbackと呼ばれる大規模なデータセットを構築した。このモデルにより,最近の2つの対話型検索ベンチマークにおいて,最先端の性能が得られた。
論文参考訳（メタデータ） (2024-02-19T04:41:31Z)
GAR-meets-RAG Paradigm for Zero-Shot Information Retrieval [16.369071865207808]
本稿では,既存のパラダイムの課題を克服する新しいGAR-meets-RAG再帰の定式化を提案する。鍵となる設計原則は、リライト・検索段階がシステムのリコールを改善し、最終段階が精度を向上させることである。我々の手法はBEIRベンチマークで新たな最先端性を確立し、8つのデータセットのうち6つでRecall@100とnDCG@10の指標で過去の最高の結果を上回った。
論文参考訳（メタデータ） (2023-10-31T03:52:08Z)
JoinGym: An Efficient Query Optimization Environment for Reinforcement Learning [58.71541261221863]
結合順序選択(JOS)は、クエリの実行コストを最小化するために結合操作を順序付けする問題である。木質強化学習(RL)のためのクエリ最適化環境JoinGymを提案する。 JoinGymは内部で、事前計算されたデータセットから中間結果の濃度を調べることで、クエリプランのコストをシミュレートする。
論文参考訳（メタデータ） (2023-07-21T17:00:06Z)
Improving Sequential Query Recommendation with Immediate User Feedback [6.925738064847176]
本稿では,対話型データ探索設定における次のクエリレコメンデーションのためのアルゴリズムを提案する。人気のあるオンライン文献発見サービスからログファイルを用いて大規模な実験を行った。
論文参考訳（メタデータ） (2022-05-12T18:19:24Z)
Graph Enhanced BERT for Query Understanding [55.90334539898102]
クエリ理解は、ユーザの検索意図を探索し、ユーザが最も望まれる情報を発見できるようにする上で、重要な役割を果たす。近年、プレトレーニング言語モデル (PLM) は様々な自然言語処理タスクを進歩させてきた。本稿では,クエリコンテンツとクエリグラフの両方を活用可能な,グラフ強化事前学習フレームワークGE-BERTを提案する。
論文参考訳（メタデータ） (2022-04-03T16:50:30Z)
Session-Aware Query Auto-completion using Extreme Multi-label Ranking [61.753713147852125]
本稿では,セッション対応クエリ自動補完の新たな手法を,XMR(Multi Multi-Xtreme Ranking)問題として取り上げる。アルゴリズムのキーステップにいくつかの修正を提案することにより、この目的のために一般的なXMRアルゴリズムを適応させる。当社のアプローチは、セッション情報を活用しながら、自動補完システムの厳しいレイテンシ要件を満たします。
論文参考訳（メタデータ） (2020-12-09T17:56:22Z)

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。