論文の概要: Semantic Retrieval at Walmart

• arxiv url: http://arxiv.org/abs/2412.04637v1
• Date: Thu, 05 Dec 2024 22:10:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-09 15:57:45.471745
• Title: Semantic Retrieval at Walmart
• Title（参考訳）: Walmartのセマンティック検索
• Authors: Alessandro Magnani, Feng Liu, Suthee Chaidaroon, Sachin Yadav, Praveen Reddy Suram, Ajit Puthenputhussery, Sijie Chen, Min Xie, Anirudh Kashi, Tony Lee, Ciya Liao,
• Abstract要約: 本稿では,従来の逆インデックスと埋め込み型ニューラル検索を組み合わせた,ウォルマートに展開するEコマース検索のハイブリッドシステムを提案する。 本システムは,オフライン・オンライン両方の評価によって,検索エンジンの関連性を大幅に改善した。
• 参考スコア（独自算出の注目度）: 41.15739523513742
• License:
• Abstract: In product search, the retrieval of candidate products before re-ranking is more critical and challenging than other search like web search, especially for tail queries, which have a complex and specific search intent. In this paper, we present a hybrid system for e-commerce search deployed at Walmart that combines traditional inverted index and embedding-based neural retrieval to better answer user tail queries. Our system significantly improved the relevance of the search engine, measured by both offline and online evaluations. The improvements were achieved through a combination of different approaches. We present a new technique to train the neural model at scale. and describe how the system was deployed in production with little impact on response time. We highlight multiple learnings and practical tricks that were used in the deployment of this system.
• Abstract（参考訳）: 製品検索において、再ランク付け前の候補商品の検索は、ウェブ検索のような検索、特に複雑な特定の検索意図を持つテールクエリよりも重要で困難である。 本稿では,従来の逆インデックスと埋め込み型ニューラル検索を組み合わせることで,ユーザテールクエリの応答性を向上する,ウォルマートに展開するEコマース検索のハイブリッドシステムを提案する。 本システムは,オフライン・オンライン両方の評価によって,検索エンジンの関連性を大幅に改善した。 改善は異なるアプローチの組み合わせによって達成された。 本稿では,ニューラルネットワークを大規模に学習するための新しい手法を提案する。 システムがどのように本番環境にデプロイされ、応答時間にはほとんど影響しないかを説明します。 このシステムのデプロイで使用された、複数の学習と実践的なトリックを強調します。

関連論文リスト

• Exploring Query Understanding for Amazon Product Search [62.53282527112405]
  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。
  論文  参考訳（メタデータ） (2024-08-05T03:33:11Z)
• Towards a Search Engine for Machines: Unified Ranking for Multiple Retrieval-Augmented Large Language Models [21.115495457454365]
  uRAGは、複数の下流検索拡張生成システム(RAG)を提供する統合検索エンジンを備えたフレームワークである。 我々は、訓練に従事する18のRAGシステムと、uRAGを検索エンジンの新規ユーザとして使用する18の未知のRAGシステムからなる大規模な実験エコシステムを構築した。
  論文  参考訳（メタデータ） (2024-04-30T19:51:37Z)
• Unified Embedding Based Personalized Retrieval in Etsy Search [0.206242362470764]
  グラフ, 変換器, 項ベース埋め込みを終末に組み込んだ統合埋め込みモデルを学習することを提案する。 我々のパーソナライズされた検索モデルは、検索購入率5.58%、サイト全体のコンバージョン率2.63%によって、検索体験を著しく改善する。
  論文  参考訳（メタデータ） (2023-06-07T23:24:50Z)
• CorpusBrain: Pre-train a Generative Retrieval Model for Knowledge-Intensive Language Tasks [62.22920673080208]
  単一ステップ生成モデルは、検索プロセスを劇的に単純化し、エンドツーエンドで最適化することができる。 我々は、事前学習された生成検索モデルをCorpsBrainと名付け、コーパスに関する全ての情報が、追加のインデックスを構築することなく、そのパラメータにエンコードされる。
  論文  参考訳（メタデータ） (2022-08-16T10:22:49Z)
• Deep Reinforcement Agent for Efficient Instant Search [14.086339486783018]
  本稿では,関連する文書を検索する上で,意味的により健全なトークンを識別することで,負荷問題に対処することを提案する。 我々は、検索エンジンと直接対話し、単語の重要性を予測する強化エージェントを訓練する。 トリガーサーチ数とシステム性能のトレードオフを研究するために,新しい評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-17T22:47:15Z)
• Sequential Search with Off-Policy Reinforcement Learning [48.88165680363482]
  本稿では,RNN学習フレームワークとアテンションモデルからなる,スケーラブルなハイブリッド学習モデルを提案する。 新たな最適化のステップとして、1つのRNNパスに複数の短いユーザシーケンスをトレーニングバッチ内に収める。 また、マルチセッションパーソナライズされた検索ランキングにおける非政治強化学習の利用についても検討する。
  論文  参考訳（メタデータ） (2022-02-01T06:52:40Z)
• 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)
• Zero-Shot Heterogeneous Transfer Learning from Recommender Systems to Cold-Start Search Retrieval [30.95373255143698]
  本稿では,学習知識を推薦システムコンポーネントから伝達し,コンテンツプラットフォームの検索コンポーネントを改善するZero-Shot Heterogeneous Transfer Learningフレームワークを提案する。 弊社は、Googleから世界最大の検索とレコメンデーションシステムのひとつで、オンラインとオフラインで実験を行い、得られた結果と教訓を提示する。
  論文  参考訳（メタデータ） (2020-08-07T01:22:56Z)
• Retro*: Learning Retrosynthetic Planning with Neural Guided A* Search [83.22850633478302]
  反合成計画(retrosynthetic planning)は、ターゲット生成物の合成に繋がる一連の反応を特定する。 既存の手法では、高いばらつきを持つロールアウトによる高価なリターン推定が必要か、品質よりも探索速度を最適化する必要がある。 本稿では,高品質な合成経路を効率よく見つけるニューラルネットワークA*ライクなアルゴリズムRetro*を提案する。
  論文  参考訳（メタデータ） (2020-06-29T05:53:33Z)
• Deep-n-Cheap: An Automated Search Framework for Low Complexity Deep Learning [3.479254848034425]
  私たちはディープラーニングモデルを探すためのオープンソースのAutoMLフレームワークであるDeep-n-Cheapを紹介します。 私たちのフレームワークは、ベンチマークとカスタムデータセットの両方へのデプロイをターゲットとしています。 Deep-n-Cheapには、トレーニング時間やパラメータ数とパフォーマンスをトレードオフする、ユーザ管理可能な複雑性ペナルティが含まれている。
  論文  参考訳（メタデータ） (2020-03-27T13:00:21Z)

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。