論文の概要: Exploring Query Understanding for Amazon Product Search
- arxiv url: http://arxiv.org/abs/2408.02215v1
- Date: Mon, 05 Aug 2024 03:33:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-10 18:21:54.193852
- Title: Exploring Query Understanding for Amazon Product Search
- Title（参考訳）: Amazon製品検索のためのクエリ理解の探索
- Authors: Chen Luo, Xianfeng Tang, Hanqing Lu, Yaochen Xie, Hui Liu, Zhenwei Dai, Limeng Cui, Ashutosh Joshi, Sreyashi Nag, Yang Li, Zhen Li, Rahul Goutam, Jiliang Tang, Haiyang Zhang, Qi He,
- Abstract要約: 問合せ理解に基づくランキング機能がどのようにランキングに影響を及ぼすかを検討する。
ランク付けのためのクエリ理解に基づくマルチタスク学習フレームワークを提案する。
本研究は,Amazon Searchにおける実世界のシステムを用いた調査・調査である。
- 参考スコア（独自算出の注目度）: 62.53282527112405
- License:
- Abstract: Online shopping platforms, such as Amazon, offer services to billions of people worldwide. Unlike web search or other search engines, product search engines have their unique characteristics, primarily featuring short queries which are mostly a combination of product attributes and structured product search space. The uniqueness of product search underscores the crucial importance of the query understanding component. However, there are limited studies focusing on exploring this impact within real-world product search engines. In this work, we aim to bridge this gap by conducting a comprehensive study and sharing our year-long journey investigating how the query understanding service impacts Amazon Product Search. Firstly, we explore how query understanding-based ranking features influence the ranking process. Next, we delve into how the query understanding system contributes to understanding the performance of a ranking model. Building on the insights gained from our study on the evaluation of the query understanding-based ranking model, we propose a query understanding-based multi-task learning framework for ranking. We present our studies and investigations using the real-world system on Amazon Search.
- Abstract（参考訳）: Amazonのようなオンラインショッピングプラットフォームは、世界中の何十億もの人々にサービスを提供している。
ウェブ検索や他の検索エンジンとは異なり、製品検索エンジンには独自の特徴があり、主に製品属性と構造化された製品検索空間を組み合わせた短いクエリが特徴である。
製品検索の独特さは、クエリ理解コンポーネントの重要性を浮き彫りにしている。
しかし、実際の製品検索エンジンにおけるこの影響を探究する研究は限られている。
本研究は,クエリ理解サービスがAmazon Product Searchにどのように影響するかを,包括的に調査し,その1年にわたるジャーニーを共有することによって,このギャップを埋めることを目的としている。
まず、クエリ理解に基づくランキング機能がどのようにランキングプロセスに影響を及ぼすかを検討する。
次に、クエリ理解システムがランキングモデルの性能の理解にどのように貢献するかを探索する。
本稿では,問合せ理解に基づくランキングモデルの評価から得られた知見に基づいて,問合せ理解に基づくマルチタスク学習フレームワークを提案する。
本研究は,Amazon Searchにおける実世界のシステムを用いた調査・調査である。
関連論文リスト
- When Search Engine Services meet Large Language Models: Visions and Challenges [53.32948540004658]
本稿では,大規模言語モデルと検索エンジンの統合が,両者の相互に利益をもたらすかどうかを詳細に検討する。
LLM(Search4LLM)の改良と,LLM(LLM4Search)を用いた検索エンジン機能の向上という,2つの主要な領域に注目した。
論文 参考訳（メタデータ） (2024-06-28T03:52:13Z) - OmniSearchSage: Multi-Task Multi-Entity Embeddings for Pinterest Search [2.917688415599187]
OmniSearchSageは、検索クエリやピン、Pinterest検索用の製品を理解するための汎用的でスケーラブルなシステムです。
私たちはピンとプロダクトの埋め込みを組み合わせた統合クエリの埋め込みを共同で学び、その結果として、$>8%の関連性、$>7%のエンゲージメント、$>5%の広告CTRが改善されました。
論文 参考訳（メタデータ） (2024-04-25T00:10:25Z) - STaRK: Benchmarking LLM Retrieval on Textual and Relational Knowledge Bases [93.96463520716759]
テキストと知識ベースを用いた大規模半構造検索ベンチマークSTARKを開発した。
本ベンチマークでは, 製品検索, 学術論文検索, 精密医療におけるクエリの3分野について検討した。
多様なリレーショナル情報と複雑なテキスト特性を統合した,現実的なユーザクエリを合成する,新しいパイプラインを設計する。
論文 参考訳（メタデータ） (2024-04-19T22:54:54Z) - Que2Engage: Embedding-based Retrieval for Relevant and Engaging Products
at Facebook Marketplace [15.054431410052851]
Que2Engageは、エンドツーエンド最適化のための検索とランキングのギャップを埋めるために構築された検索用EBRシステムである。
提案手法の有効性を,マルチタスク評価フレームワークと徹底的なベースライン比較およびアブレーション研究を通じて示す。
論文 参考訳（メタデータ） (2023-02-21T23:10:16Z) - Graph Enhanced BERT for Query Understanding [55.90334539898102]
クエリ理解は、ユーザの検索意図を探索し、ユーザが最も望まれる情報を発見できるようにする上で、重要な役割を果たす。
近年、プレトレーニング言語モデル (PLM) は様々な自然言語処理タスクを進歩させてきた。
本稿では,クエリコンテンツとクエリグラフの両方を活用可能な,グラフ強化事前学習フレームワークGE-BERTを提案する。
論文 参考訳（メタデータ） (2022-04-03T16:50:30Z) - Exposing Query Identification for Search Transparency [69.06545074617685]
本稿では,検索システムの2つのクラスにおいて,クエリとドキュメントの役割を逆転させることにより,検索タスクとしてのEQIの実現可能性について検討する。
本研究では,クエリのランク付けの質を評価するための評価基準を導出するとともに,近似EQIの様々な実践的側面に着目した経験的分析を行う。
論文 参考訳（メタデータ） (2021-10-14T20:19:27Z) - Online Learning of Optimally Diverse Rankings [63.62764375279861]
ユーザのフィードバックのみに基づいて最適なリストを効率よく学習するアルゴリズムを提案する。
我々は、$T$クエリの後に、LDRの後悔は$O((N-L)log(T))$としてスケールする。
論文 参考訳（メタデータ） (2021-09-13T12:13:20Z) - Supporting search engines with knowledge and context [1.0152838128195467]
本論文の第1部では,構造化知識をユーザによりアクセスしやすいものにする方法について検討する。
本論文の第2部では,インタラクティブな知識収集を改善する方法について考察する。
本論文の最後のパートでは,ニュース分野のプロフェッショナルライターを対象とした検索エンジンサポートに注目した。
論文 参考訳（メタデータ） (2021-02-12T20:28:25Z)
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。