論文の概要: Bridging Search and Recommendation in Generative Retrieval: Does One Task Help the Other?

• arxiv url: http://arxiv.org/abs/2410.16823v1
• Date: Tue, 22 Oct 2024 08:49:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 12:31:01.414583
• Title: Bridging Search and Recommendation in Generative Retrieval: Does One Task Help the Other?
• Title（参考訳）: ジェネレーティブ検索における検索と推薦のブリッジ:一方のタスクは他方の助けになるか?
• Authors: Gustavo Penha, Ali Vardasbi, Enrico Palumbo, Marco de Nadai, Hugues Bouchard,
• Abstract要約: 検索とレコメンデーションのための生成的検索は、アイテムを検索する上で有望なパラダイムである。 これらの生成システムは、様々な情報検索タスクを単一のモデルにまとめる上で重要な役割を果たす。 本稿では,このような統合されたアプローチが,IRタスクの検索・推薦においてタスク固有モデルより優れているかどうかを考察する。
• 参考スコア（独自算出の注目度）: 9.215695600542249
• License:
• Abstract: Generative retrieval for search and recommendation is a promising paradigm for retrieving items, offering an alternative to traditional methods that depend on external indexes and nearest-neighbor searches. Instead, generative models directly associate inputs with item IDs. Given the breakthroughs of Large Language Models (LLMs), these generative systems can play a crucial role in centralizing a variety of Information Retrieval (IR) tasks in a single model that performs tasks such as query understanding, retrieval, recommendation, explanation, re-ranking, and response generation. Despite the growing interest in such a unified generative approach for IR systems, the advantages of using a single, multi-task model over multiple specialized models are not well established in the literature. This paper investigates whether and when such a unified approach can outperform task-specific models in the IR tasks of search and recommendation, broadly co-existing in multiple industrial online platforms, such as Spotify, YouTube, and Netflix. Previous work shows that (1) the latent representations of items learned by generative recommenders are biased towards popularity, and (2) content-based and collaborative-filtering-based information can improve an item's representations. Motivated by this, our study is guided by two hypotheses: [H1] the joint training regularizes the estimation of each item's popularity, and [H2] the joint training regularizes the item's latent representations, where search captures content-based aspects of an item and recommendation captures collaborative-filtering aspects. Our extensive experiments with both simulated and real-world data support both [H1] and [H2] as key contributors to the effectiveness improvements observed in the unified search and recommendation generative models over the single-task approaches.
• Abstract（参考訳）: 検索とレコメンデーションのための生成的検索は、アイテムを検索する上で有望なパラダイムであり、外部インデックスや最寄りの検索に依存する従来の方法に代わる手段を提供する。 その代わり、生成モデルは入力とアイテムIDを直接関連付ける。 大規模言語モデル(LLM)のブレークスルーを考えると、これらの生成システムは、クエリ理解、検索、レコメンデーション、説明、再ランク、応答生成といったタスクを実行する単一のモデルにおいて、様々な情報検索(IR)タスクを集中化する上で重要な役割を果たす。 このようなIRシステムに対する統一的な生成アプローチへの関心が高まっているにもかかわらず、複数の専門モデルにまたがる単一のマルチタスクモデルを使用することの利点は文献ではあまり確立されていない。 本稿では,SpotifyやYouTube,Netflixなど,複数の産業オンラインプラットフォームで広く共存しているIRタスクにおいて,このような統合されたアプローチがタスク固有モデルよりも優れているかどうかを検討する。 これまでの研究では,(1) 生成推薦者が学習した項目の潜在表現が人気に偏っていること,(2) コンテンツに基づく協調フィルタリングに基づく情報により,項目の表現が向上すること,などが示されている。 本研究は,[H1]共同学習が各項目の人気評価を規則化し,[H2]共同学習がアイテムの潜在表現を規則化し,検索がアイテムのコンテンツに基づく側面をキャプチャし,協調フィルタリングの側面をキャプチャする,という2つの仮説によって導かれる。 我々は,[H1] と[H2] の両方のシミュレーションおよび実世界のデータサポートによる広範囲な実験を行った。

関連論文リスト

• Learning to Rank for Multiple Retrieval-Augmented Models through Iterative Utility Maximization [21.115495457454365]
  本稿では,複数検索拡張世代(RAG)エージェントを対象とした統合検索エンジンの設計について検討する。 本稿では,これらのRAGエージェントの検索結果を検索エンジンが生成し,オフラインで検索した文書の品質に関するフィードバックを収集する反復的手法を提案する。 我々は、このアプローチをオンライン環境に適応させ、リアルタイムな個別エージェントのフィードバックに基づいて、検索エンジンがその振る舞いを洗練できるようにする。
  論文  参考訳（メタデータ） (2024-10-13T17:53:50Z)
• A Survey of Generative Search and Recommendation in the Era of Large Language Models [125.26354486027408]
  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。
  論文  参考訳（メタデータ） (2024-04-25T17:58:17Z)
• List-aware Reranking-Truncation Joint Model for Search and Retrieval-augmented Generation [80.12531449946655]
  本稿では,2つのタスクを同時に実行可能なRe rank-Truncation joint model(GenRT)を提案する。 GenRTは、エンコーダ-デコーダアーキテクチャに基づく生成パラダイムによるリランクとトランケーションを統合している。 提案手法は,Web検索および検索拡張LLMにおけるリランクタスクとトラルケーションタスクの両方においてSOTA性能を実現する。
  論文  参考訳（メタデータ） (2024-02-05T06:52:53Z)
• CorpusLM: Towards a Unified Language Model on Corpus for Knowledge-Intensive Tasks [20.390672895839757]
  Retrieval-augmented Generation (RAG) は、事実精度を高めるための一般的なソリューションとして登場した。 従来の検索モジュールは、大きなドキュメントインデックスと生成タスクとの切り離しに依存していることが多い。 生成検索,クローズドブック生成,RAGを統合した統一言語モデルである textbfCorpusLM を提案する。
  論文  参考訳（メタデータ） (2024-02-02T06:44:22Z)
• UniGen: A Unified Generative Framework for Retrieval and Question Answering with Large Language Models [22.457013726785295]
  textbfUnified textbfGenerative framework for search and question answering。 UniGenは両方のタスクを単一の生成モデルに統合し、大きな言語モデルの能力を活用する。
  論文  参考訳（メタデータ） (2023-12-18T09:13:41Z)
• Retrieval-Generation Synergy Augmented Large Language Models [30.53260173572783]
  本稿では,反復的な検索・生成協調フレームワークを提案する。 シングルホップQAとマルチホップQAタスクを含む4つの質問応答データセットの実験を行った。
  論文  参考訳（メタデータ） (2023-10-08T12:50:57Z)
• PSDiff: Diffusion Model for Person Search with Iterative and Collaborative Refinement [59.6260680005195]
  本稿では,拡散モデルであるPSDiffに基づく新しいPerson Searchフレームワークを提案する。 PSDiffは、ノイズの多いボックスとReID埋め込みから地上の真実へのデュアルデノケーションプロセスとして検索する人を定式化する。 新しいパラダイムに従って、我々は、反復的かつ協調的な方法で検出とReIDサブタスクを最適化する新しいコラボレーティブ・デノナイジング・レイヤ(CDL)を設計する。
  論文  参考訳（メタデータ） (2023-09-20T08:16:39Z)
• On the Robustness of Generative Retrieval Models: An Out-of-Distribution Perspective [65.16259505602807]
  本研究では,高密度検索モデルに対する生成的検索モデルのロバスト性について検討する。 実験結果から, 生成的検索モデルのOODロバスト性には強化が必要であることが示唆された。
  論文  参考訳（メタデータ） (2023-06-22T09:18:52Z)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)
• Generalization Properties of Retrieval-based Models [50.35325326050263]
  検索ベースの機械学習手法は、幅広い問題で成功をおさめた。 これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。 本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
  論文  参考訳（メタデータ） (2022-10-06T00:33:01Z)

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。