論文の概要: QUIDS: Query Intent Description for Exploratory Search via Dual Space Modeling

• arxiv url: http://arxiv.org/abs/2410.12400v3
• Date: Wed, 15 Oct 2025 17:09:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 17:53:16.202619
• Title: QUIDS: Query Intent Description for Exploratory Search via Dual Space Modeling
• Title（参考訳）: QUIDS:デュアルスペースモデリングによる探索探索のためのクエリインテント記述
• Authors: Yumeng Wang, Xiuying Chen, Suzan Verberne,
• Abstract要約: 探索探索検索では、ユーザはよく知らないトピックを調べるためにあいまいなクエリを提出する。 これは、ミスマッチした結果と試行錯誤の修正の自己強化サイクルにつながる。 本稿では,ユーザ向け自然言語クエリインテント記述を生成するQUIDSを提案する。
• 参考スコア（独自算出の注目度）: 28.960030628126137
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In exploratory search, users often submit vague queries to investigate unfamiliar topics, but receive limited feedback about how the search engine understood their input. This leads to a self-reinforcing cycle of mismatched results and trial-and-error reformulation. To address this, we study the task of generating user-facing natural language query intent descriptions that surface what the system likely inferred the query to mean, based on post-retrieval evidence. We propose QUIDS, a method that leverages dual-space contrastive learning to isolate intent-relevant information while suppressing irrelevant content. QUIDS combines a dual-encoder representation space with a disentangling decoder that works together to produce concise and accurate intent descriptions. Enhanced by intent-driven hard negative sampling, the model significantly outperforms state-of-the-art baselines across ROUGE, BERTScore, and human/LLM evaluations. Our qualitative analysis confirms QUIDS' effectiveness in generating accurate intent descriptions for exploratory search. Our work contributes to improving the interaction between users and search engines by providing feedback to the user in exploratory search settings. Our code is available at https://github.com/menauwy/QUIDS
• Abstract（参考訳）: 探索探索検索では、ユーザは不慣れなトピックを調査するためにあいまいなクエリを提出することが多いが、検索エンジンが入力をどのように理解しているかについて限定的なフィードバックを受ける。 これは、ミスマッチした結果と試行錯誤の修正の自己強化サイクルにつながる。 そこで,本稿では,検索後の証拠に基づいて,システムが意味を推測する可能性の高い自然言語クエリインテント記述を生成するタスクについて検討する。 本研究では,2次元空間のコントラスト学習を利用して意図関連情報を分離し,無関係な内容の抑制を行うQUIDSを提案する。 QUIDSは、二重エンコーダ表現空間と、簡潔で正確なインテント記述を生成するために協調して機能する切り離しデコーダを組み合わせる。 意図駆動型ハードネガティブサンプリングによって強化されたこのモデルは、ROUGE、BERTScore、およびヒューマン/LLM評価において最先端のベースラインを著しく上回る。 定性的な分析により、探索探索のための正確な意図記述を生成するQUIDSの有効性が確認された。 本研究は,探索的検索設定におけるユーザへのフィードバックを提供することで,ユーザと検索エンジン間のインタラクションの改善に寄与する。 私たちのコードはhttps://github.com/menauwy/QUIDSで利用可能です。

関連論文リスト

• Intent Classification on Low-Resource Languages with Query Similarity Search [0.49394382134960696]
  本稿では,クエリ類似性探索問題としてキャスティング意図分類を提案する。 我々は、インテントを定義するために、また、最も類似したクエリのラベルに基づいて、入ってくるクエリを分類するクエリ類似性メソッドとして、以前の例クエリを使用します。 ゼロショット設定で低リソース言語でのクエリに対する合理的な意図分類性能を実現することができる。
  論文  参考訳（メタデータ） (2025-05-23T15:11:12Z)
• A Counterfactual Explanation Framework for Retrieval Models [4.562474301450839]
  最適化フレームワークを用いて、特定のクエリに対して検索モデルに好まれない単語がどのような役割を果たすかという問題を解く。 本実験は,統計モデル(BM25など)とディープラーニングモデルの両方に対して,提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-09-01T22:33:29Z)
• Crafting the Path: Robust Query Rewriting for Information Retrieval [4.252699657665555]
  本稿では,検索システムに適した新しい構造化クエリ書き換え手法であるCrafting the Pathを提案する。 本研究では,本手法がモデルの内部パラメータの知識に依存せず,事実的不正確なクエリを生成することを示す。
  論文  参考訳（メタデータ） (2024-07-17T13:11:28Z)
• 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)
• ExcluIR: Exclusionary Neural Information Retrieval [74.08276741093317]
  本稿では,排他的検索のためのリソースセットであるExcluIRを提案する。 評価ベンチマークには3,452の高品質な排他的クエリが含まれている。 トレーニングセットには70,293の排他的クエリが含まれており、それぞれに正のドキュメントと負のドキュメントがペアリングされている。
  論文  参考訳（メタデータ） (2024-04-26T09:43:40Z)
• Beyond Semantics: Learning a Behavior Augmented Relevance Model with Self-supervised Learning [25.356999988217325]
  関連モデリングは、対応するクエリに対して望ましい項目を見つけることを目的としている。 ユーザの履歴行動データから抽出された補助的なクエリ-イテム相互作用は、ユーザの検索意図をさらに明らかにするためのヒントを提供する可能性がある。 本モデルでは, 隣接する視点と対象視点の両方から, 粗粒度および細粒度の意味表現を蒸留するための多レベルコアテンションを構築している。
  論文  参考訳（メタデータ） (2023-08-10T06:52:53Z)
• CAPSTONE: Curriculum Sampling for Dense Retrieval with Document Expansion [68.19934563919192]
  本稿では,学習中に擬似クエリを利用して,生成したクエリと実際のクエリとの関係を徐々に向上させるカリキュラムサンプリング戦略を提案する。 ドメイン内およびドメイン外両方のデータセットに対する実験結果から,本手法が従来の高密度検索モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2022-12-18T15:57:46Z)
• 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)
• Query Understanding via Intent Description Generation [75.64800976586771]
  問合せ理解のためのQ2ID(Query-to-Intent-Description)タスクを提案する。 クエリとその記述を利用してドキュメントの関連性を計算する既存のランキングタスクとは異なり、Q2IDは自然言語のインテント記述を生成するための逆タスクである。 Q2IDタスクにおける複数の最先端生成モデルとの比較により,本モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2020-08-25T08:56:40Z)
• Deep Search Query Intent Understanding [17.79430887321982]
  本稿では,検索の異なる段階における問合せ意図をモデル化するための総合的な学習フレームワークの提供を目的とする。 我々は,1) 文字レベルモデルを用いたタイプアヘッド検索において,入力したユーザの意図をオンザフライで予測すること,2) 完全クエリのための正確な単語レベルの意図予測モデルに焦点をあてる。
  論文  参考訳（メタデータ） (2020-08-15T18:19:56Z)

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。