論文の概要: Generative Product Recommendations for Implicit Superlative Queries

• arxiv url: http://arxiv.org/abs/2504.18748v1
• Date: Sat, 26 Apr 2025 00:05:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.970174
• Title: Generative Product Recommendations for Implicit Superlative Queries
• Title（参考訳）: 急激な過渡的クエリのための生成的製品レコメンデーション
• Authors: Kaustubh D. Dhole, Nikhita Vedula, Saar Kuzi, Giuseppe Castellucci, Eugene Agichtein, Shervin Malmasi,
• Abstract要約: Recommender Systemsでは、ユーザーは「トレイルランニングのためのベストシューズ」のような間接的、曖昧、または不明確なクエリを通じて、最高の製品を求めることが多い。 本研究では,大規模言語モデルがランキングに暗黙の属性を生成できるかを検討するとともに,そのようなクエリの製品レコメンデーションを改善するための理由についても検討する。
• 参考スコア（独自算出の注目度）: 21.750990820244983
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In Recommender Systems, users often seek the best products through indirect, vague, or under-specified queries, such as "best shoes for trail running". Such queries, also referred to as implicit superlative queries, pose a significant challenge for standard retrieval and ranking systems as they lack an explicit mention of attributes and require identifying and reasoning over complex factors. We investigate how Large Language Models (LLMs) can generate implicit attributes for ranking as well as reason over them to improve product recommendations for such queries. As a first step, we propose a novel four-point schema for annotating the best product candidates for superlative queries called SUPERB, paired with LLM-based product annotations. We then empirically evaluate several existing retrieval and ranking approaches on our new dataset, providing insights and discussing their integration into real-world e-commerce production systems.
• Abstract（参考訳）: Recommender Systemsでは、ユーザは「トレイルランニングのためのベストシューズ」のような間接的、曖昧、あるいは不明確なクエリを通じて、最高の製品を求めることが多い。 このようなクエリは、参照可能なクエリとも呼ばれるが、属性の明示的な言及がなく、複雑な要素の特定と推論を必要とするため、標準的な検索とランキングシステムにとって大きな課題となる。 本稿では,Large Language Models (LLMs) がランク付けのための暗黙の属性をどうやって生成できるか,また,そのようなクエリに対する製品レコメンデーションを改善するための理由について検討する。 最初のステップとして、LLMベースの製品アノテーションと組み合わせたSUPERBと呼ばれる最上級クエリに対して、最高の製品候補をアノテートするための新しい4点スキーマを提案する。 そして、我々は、新しいデータセット上で既存の検索とランキングのアプローチを経験的に評価し、実世界のeコマース生産システムへの統合についての洞察を提供し、議論する。

関連論文リスト

• From Prompting to Alignment: A Generative Framework for Query Recommendation [36.541332088115105]
  本稿では,クエリ生成とユーザの好みを一致させる生成クエリ推薦(GQR)フレームワークを提案する。 具体的には、多様なクエリレコメンデーションタスクを普遍的なプロンプトフレームワークで統一する。 また,クエリワイドCTR予測器をプロセス報酬モデルとしてトレーニングするCTRアライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-14T13:21:29Z)
• Why Not Together? A Multiple-Round Recommender System for Queries and Items [37.709748983831034]
  推薦システムの基本的な技術は、ユーザの嗜好をモデル化することであり、クエリや項目がユーザ関心の象徴的な表現として広く使われている。 両タイプの相乗効果を生かしたMultiple-round Auto Guess-and-Update System(MAGUS)を提案する。
  論文  参考訳（メタデータ） (2024-12-14T10:49:00Z)
• Large Language Models for Relevance Judgment in Product Search [48.56992980315751]
  検索クエリに対する検索および再ランクされたアイテムの高い関連性は、製品検索の成功の土台である。 本稿では,大規模言語モデル(LLM)を活用して,クエリ・イテムペア(QIP)の関連判断を大規模に自動化する手法について述べる。 本研究は,製品検索における関連判断の自動化の分野への直接的な影響を示唆するものである。
  論文  参考訳（メタデータ） (2024-06-01T00:52:41Z)
• Generating Query Recommendations via LLMs [14.268490610954037]
  GQR(Generative Query Recommendation)と呼ばれる新しい手法を提案する。 GQRはLLMを基礎として使用しており、クエリレコメンデーション問題に対処するためにトレーニングや微調整を必要としない。 我々はRetriever-Augmented GQR(RA-GQR)と呼ばれるクエリログを利用するバージョンを提案する。
  論文  参考訳（メタデータ） (2024-05-30T06:52:01Z)
• Reindex-Then-Adapt: Improving Large Language Models for Conversational Recommendation [50.19602159938368]
  大規模言語モデル(LLM)は、会話レコメンデーションシステムに革命をもたらしている。 本稿では,マルチトークンのタイトルを単一トークンに変換するReindex-Then-Adapt(RTA)フレームワークを提案する。 本フレームワークでは,3つの対話推薦データセットの精度向上を実証する。
  論文  参考訳（メタデータ） (2024-05-20T15:37:55Z)
• 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)
• Large Language Models are Zero-Shot Rankers for Recommender Systems [76.02500186203929]
  本研究では,レコメンダシステムのランキングモデルとして機能する大規模言語モデル(LLM)の能力を検討することを目的とする。 LLMにはゼロショットランキング能力があるが、歴史的相互作用の順序を理解するのに苦労していることを示す。 これらの問題は、特別に設計されたプロンプトとブートストラップ戦略によって緩和可能であることを実証する。
  論文  参考訳（メタデータ） (2023-05-15T17:57:39Z)
• 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)
• Text Summarization with Latent Queries [60.468323530248945]
  本稿では,LaQSumについて紹介する。LaQSumは,既存の問合せ形式と抽象的な要約のための文書から遅延クエリを学習する,最初の統一テキスト要約システムである。 本システムでは, 潜伏クエリモデルと条件付き言語モデルとを協調的に最適化し, ユーザがテスト時に任意のタイプのクエリをプラグイン・アンド・プレイできるようにする。 本システムでは,クエリタイプ,文書設定,ターゲットドメインの異なる要約ベンチマークにおいて,強力な比較システムの性能を強く向上させる。
  論文  参考訳（メタデータ） (2021-05-31T21:14:58Z)

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。