論文の概要: Bridge the Gap between Past and Future: Siamese Model Optimization for Context-Aware Document Ranking

• arxiv url: http://arxiv.org/abs/2505.14180v1
• Date: Tue, 20 May 2025 10:36:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:53.070231
• Title: Bridge the Gap between Past and Future: Siamese Model Optimization for Context-Aware Document Ranking
• Title（参考訳）: 過去と未来を橋渡しする: コンテキスト対応文書ランキングのためのシームズモデル最適化
• Authors: Songhao Wu, Quan Tu, Mingjie Zhong, Hong Liu, Jia Xu, Jinjie Gu, Rui Yan,
• Abstract要約: セッションコンテキストを活用することは、ユーザの検索意図とドキュメントのランキングを推測する上で有益であることが証明されている。 これらの進歩にもかかわらず、ユーザ意図の進化を捉えるための歴史的なセッションデータの制限は依然として課題である。 本稿では,履歴条件付きモデルと将来意識型モデルからなるシアムモデル最適化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 27.82131411594034
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the realm of information retrieval, users often engage in multi-turn interactions with search engines to acquire information, leading to the formation of sequences of user feedback behaviors. Leveraging the session context has proven to be beneficial for inferring user search intent and document ranking. A multitude of approaches have been proposed to exploit in-session context for improved document ranking. Despite these advances, the limitation of historical session data for capturing evolving user intent remains a challenge. In this work, we explore the integration of future contextual information into the session context to enhance document ranking. We present the siamese model optimization framework, comprising a history-conditioned model and a future-aware model. The former processes only the historical behavior sequence, while the latter integrates both historical and anticipated future behaviors. Both models are trained collaboratively using the supervised labels and pseudo labels predicted by the other. The history-conditioned model, referred to as ForeRanker, progressively learns future-relevant information to enhance ranking, while it singly uses historical session at inference time. To mitigate inconsistencies during training, we introduce the peer knowledge distillation method with a dynamic gating mechanism, allowing models to selectively incorporate contextual information. Experimental results on benchmark datasets demonstrate the effectiveness of our ForeRanker, showcasing its superior performance compared to existing methods.
• Abstract（参考訳）: 情報検索の分野では、ユーザは情報を取得するために検索エンジンとマルチターンインタラクションを行うことが多く、ユーザのフィードバック行動のシーケンスが形成される。 セッションコンテキストを活用することは、ユーザの検索意図とドキュメントのランキングを推測する上で有益であることが証明されている。 文書ランキングの改善のために、セッション内コンテキストを活用するために、数多くのアプローチが提案されている。 これらの進歩にもかかわらず、ユーザ意図の進化を捉えるための歴史的なセッションデータの制限は依然として課題である。 本研究では,今後のコンテキスト情報の統合をセッションコンテキストに統合し,文書のランキングを向上する方法について検討する。 本稿では,履歴条件付きモデルと将来意識型モデルからなるシアムモデル最適化フレームワークを提案する。 前者のプロセスは歴史的行動シーケンスのみであり、後者は歴史的行動と将来の行動の両方を統合する。 どちらのモデルも、相互に予測される教師付きラベルと擬似ラベルを用いて協調的に訓練される。 ForeRankerと呼ばれる履歴条件付きモデルは、将来に関連する情報を徐々に学習してランキングを高め、推論時に履歴セッションを単独で使用する。 トレーニング中の不整合を軽減するため,動的ゲーティング機構を備えたピア知識蒸留法を導入し,文脈情報を選択的に組み込む。 ベンチマークデータセットの実験結果は、ForeRankerの有効性を示し、既存の手法よりも優れた性能を示している。

関連論文リスト

• Query-oriented Data Augmentation for Session Search [71.84678750612754]
  本稿では,検索ログの強化とモデリングの強化を目的としたクエリ指向データ拡張を提案する。 検索コンテキストの最も重要な部分を変更することで補足的なトレーニングペアを生成する。 我々は、現在のクエリを変更するためのいくつかの戦略を開発し、その結果、様々な難易度で新しいトレーニングデータを得る。
  論文  参考訳（メタデータ） (2024-07-04T08:08:33Z)
• Look into the Future: Deep Contextualized Sequential Recommendation [28.726897673576865]
  我々は、Look into the Future(LIFT)と呼ばれる、シーケンシャルなレコメンデーションの新しいフレームワークを提案する。 LIFTはシーケンシャルなレコメンデーションのコンテキストを構築し、活用する。 本実験では,クリックスルー率予測および評価予測タスクにおいて,LIFTは大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2024-05-23T09:34:28Z)
• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• Temporal Knowledge Graph Reasoning with Historical Contrastive Learning [24.492458924487863]
  我々はContrastive Event Network(CENET)と呼ばれる新しいイベント予測モデルを提案する。 CENETは、ヒストリと非ヒストリの両方の依存関係を学び、与えられたクエリに最もよくマッチする最も潜在的なエンティティを識別する。 推論プロセスの間、CENETは最終的な結果を生成するためにマスクベースの戦略を採用している。
  論文  参考訳（メタデータ） (2022-11-20T08:32:59Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• Incorporating Relevance Feedback for Information-Seeking Retrieval using Few-Shot Document Re-Ranking [56.80065604034095]
  我々は,クエリとユーザが関連すると考えるドキュメントとの類似性に基づいて,文書を再参照するkNNアプローチを提案する。 異なる統合戦略を評価するため、既存の4つの情報検索データセットを関連フィードバックシナリオに変換する。
  論文  参考訳（メタデータ） (2022-10-19T16:19:37Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)
• Leveraging Historical Interaction Data for Improving Conversational Recommender System [105.90963882850265]
  アイテムと属性に基づく嗜好シーケンスを統合するための,新しい事前学習手法を提案する。 実世界の2つのデータセットの実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-19T03:43:50Z)

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。