Fugu-MT 論文翻訳(概要): Introducing Semantic Capability in LinkedIn's Content Search Engine

論文の概要: Introducing Semantic Capability in LinkedIn's Content Search Engine

arxiv url: http://arxiv.org/abs/2412.20366v2
Date: Thu, 02 Jan 2025 17:38:21 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-03 14:35:48.009372
Title: Introducing Semantic Capability in LinkedIn's Content Search Engine
Title（参考訳）: LinkedInのコンテンツ検索エンジンにおけるセマンティック機能の導入
Authors: Xin Yang, Rachel Zheng, Madhumitha Mohan, Sonali Bhadra, Pansul Bhatt, Lingyu, Zhang, Rupesh Gupta,
Abstract要約: これまでは、検索エンジンに発行される検索クエリのほとんどは、短くてシンプルだった。メンバーは現在、長く複雑な自然言語クエリを発行する習慣を発達させている。このようなクエリに答えるには、セマンティックな能力を持つために、検索エンジンの進化が必要である。
参考スコア（独自算出の注目度）: 39.84169929302579
License:
Abstract: In the past, most search queries issued to a search engine were short and simple. A keyword based search engine was able to answer such queries quite well. However, members are now developing the habit of issuing long and complex natural language queries. Answering such queries requires evolution of a search engine to have semantic capability. In this paper we present the design of LinkedIn's new content search engine with semantic capability, and its impact on metrics.
Abstract（参考訳）: これまでは、検索エンジンに発行される検索クエリのほとんどは、短くてシンプルだった。キーワードベースの検索エンジンは、そのようなクエリにかなりうまく答えることができた。しかし、メンバーは現在、長く複雑な自然言語クエリを発行する習慣を発達させている。このようなクエリに答えるには、セマンティックな能力を持つために、検索エンジンの進化が必要である。本稿では,LinkedInの新しいコンテンツ検索エンジンのセマンティック機能の設計とそのメトリクスへの影響について述べる。

関連論文リスト

Leveraging Large Language Models for Multimodal Search [0.6249768559720121]
本稿では,Fashion200Kデータセット上での新たなパフォーマンスマイルストーンを実現する,新しいマルチモーダル検索モデルを提案する。また,Large Language Models (LLM) を統合した新たな検索インタフェースを提案する。
論文参考訳（メタデータ） (2024-04-24T10:30:42Z)
Enhanced Facet Generation with LLM Editing [5.4327243200369555]
情報検索においては,ユーザクエリのファセット識別が重要な課題である。従来の研究は,検索によって得られた検索文書や関連クエリを活用することで,ファセット予測を強化することができる。しかし、検索エンジンがモデルの一部として動作する場合、他のアプリケーションに拡張することは困難である。
論文参考訳（メタデータ） (2024-03-25T00:43:44Z)
The Use of Generative Search Engines for Knowledge Work and Complex Tasks [26.583783763090732]
Bing Copilotを使うタスクのタイプと複雑さをBing Searchと比較して分析する。発見は、従来の検索エンジンよりも認知の複雑さが高い知識作業タスクのために、人々が生成検索エンジンを使用していることを示している。
論文参考訳（メタデータ） (2024-03-19T18:17:46Z)
Large Search Model: Redefining Search Stack in the Era of LLMs [63.503320030117145]
我々は,1つの大言語モデル(LLM)で検索タスクを統一することにより,従来の検索スタックを再定義する,大規模検索モデルと呼ばれる新しい概念的フレームワークを導入する。全てのタスクは自動回帰テキスト生成問題として定式化され、自然言語のプロンプトを使ってタスクをカスタマイズできる。提案フレームワークは,LLMの強力な言語理解と推論能力を活用し,既存の検索スタックを簡素化しつつ,検索結果の質を向上させる能力を提供する。
論文参考訳（メタデータ） (2023-10-23T05:52:09Z)
Evaluating Verifiability in Generative Search Engines [70.59477647085387]
生成検索エンジンは、インラインの引用とともに、ユーザークエリへの応答を直接生成する。我々は,一般的な4つの生成検索エンジンの評価を行う。既存の生成検索エンジンからの応答は流動的であり、情報的に見えるが、しばしばサポートされていない文や不正確な引用を含んでいる。
論文参考訳（メタデータ） (2023-04-19T17:56:12Z)
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)
Improving Candidate Retrieval with Entity Profile Generation for Wikidata Entity Linking [76.00737707718795]
本稿では,エンティティ・プロファイリングに基づく新しい候補探索パラダイムを提案する。我々は、このプロファイルを使用してインデックス付き検索エンジンに問い合わせ、候補エンティティを検索する。本手法は,ウィキペディアのアンカーテキスト辞書を用いた従来の手法を補完するものである。
論文参考訳（メタデータ） (2022-02-27T17:38:53Z)
Brain-inspired Search Engine Assistant based on Knowledge Graph [53.89429854626489]
developerbotは脳にインスパイアされた、knowledge graphの名前の検索エンジンアシスタントだ。複雑なマルチ制約クエリを複数の順序制約に分割することで、多層クエリグラフを構築する。次に、制約推論プロセスを認知科学の拡散活性化モデルに触発されたサブグラフ探索プロセスとしてモデル化する。
論文参考訳（メタデータ） (2020-12-25T06:36:11Z)
Query Understanding for Natural Language Enterprise Search [0.7363840001905632]
自然言語検索(NLS)は、ユーザーがより「自然」言語でクエリを発行することができるキーワード検索を実行する検索エンジンの機能を拡張します。我々は,主要なCRMプラットフォームの検索サービスの一部として実装したNLSシステムを提案する。
論文参考訳（メタデータ） (2020-12-11T10:57:25Z)

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。