論文の概要: Content Moderation in TV Search: Balancing Policy Compliance, Relevance, and User Experience

• arxiv url: http://arxiv.org/abs/2505.17207v1
• Date: Thu, 22 May 2025 18:32:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.650028
• Title: Content Moderation in TV Search: Balancing Policy Compliance, Relevance, and User Experience
• Title（参考訳）: テレビ検索におけるコンテンツモデレーション : ポリシーコンプライアンス、妥当性、ユーザエクスペリエンスのバランスをとること
• Authors: Adeep Hande, Kishorekumar Sundararajan, Sardar Hamidian, Ferhan Ture,
• Abstract要約: コンテンツモデレーションを強化するために,LLM(Large Language Models)を用いた追加の監視層を導入する。 この追加レイヤは、ユーザが検索しようとしなかった場合、コンテンツにフラグを付ける。 このアプローチは製品品質保証のベースラインとして機能し、最初の検索メカニズムを洗練するために収集されたフィードバックを使用する。
• 参考スコア（独自算出の注目度）: 2.0201819034973933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Millions of people rely on search functionality to find and explore content on entertainment platforms. Modern search systems use a combination of candidate generation and ranking approaches, with advanced methods leveraging deep learning and LLM-based techniques to retrieve, generate, and categorize search results. Despite these advancements, search algorithms can still surface inappropriate or irrelevant content due to factors like model unpredictability, metadata errors, or overlooked design flaws. Such issues can misalign with product goals and user expectations, potentially harming user trust and business outcomes. In this work, we introduce an additional monitoring layer using Large Language Models (LLMs) to enhance content moderation. This additional layer flags content if the user did not intend to search for it. This approach serves as a baseline for product quality assurance, with collected feedback used to refine the initial retrieval mechanisms of the search model, ensuring a safer and more reliable user experience.
• Abstract（参考訳）: 何百万人もの人たちが、エンターテイメントプラットフォームでコンテンツを探し、探索するために検索機能に頼っている。 現代の検索システムは、ディープラーニングとLLMベースの技術を活用して、検索結果を検索、生成、分類する先進的な手法と、候補生成とランキングのアプローチを組み合わせている。 これらの進歩にもかかわらず、モデル予測不可能、メタデータエラー、見落とされた設計上の欠陥などの要因により、検索アルゴリズムはいまだに不適切なコンテンツや不適切なコンテンツを見つけることができる。 このような問題は、製品の目標とユーザの期待を誤解し、ユーザ信頼とビジネス成果を損なう可能性がある。 本稿では,Large Language Models (LLMs) を用いたコンテンツモデレーション向上のためのモニタリング層を提案する。 この追加レイヤは、ユーザが検索しようとしなかった場合、コンテンツにフラグを付ける。 このアプローチは、製品品質保証のベースラインとして機能し、検索モデルの初期検索メカニズムを洗練し、より安全で信頼性の高いユーザエクスペリエンスを確保するために、収集されたフィードバックが使用される。

関連論文リスト

• NExT-Search: Rebuilding User Feedback Ecosystem for Generative AI Search [108.42163676745085]
  NExT-Searchは、きめ細かいプロセスレベルのフィードバックを生成AI検索に再導入するために設計された次世代パラダイムである。 NExT-Searchは2つの補完モードを統合している。
  論文  参考訳（メタデータ） (2025-05-20T17:59:13Z)
• Qilin: A Multimodal Information Retrieval Dataset with APP-level User Sessions [39.2477761959206]
  検索・レコメンデーション(S&R)を伴う複雑なシステムにおけるユーザエクスペリエンス向上の課題は、学術と産業の両方から大きな注目を集めている。 本稿では,新しいマルチモーダル情報検索データセット,すなわちQilinを提案する。 データセットはXiaohongshuから収集されている。Xiaohongshuは3億人の月間アクティブユーザーがいて、平均的な検索浸透率は70%を超えている。
  論文  参考訳（メタデータ） (2025-03-01T14:15:00Z)
• Towards Boosting LLMs-driven Relevance Modeling with Progressive Retrieved Behavior-augmented Prompting [23.61061000692023]
  本研究では,検索ログに記録されたユーザインタラクションを活用して,ユーザの暗黙の検索意図に対する洞察を得ることを提案する。 ProRBPは,探索シナリオ指向の知識を大規模言語モデルと統合するための,プログレッシブ検索行動拡張型プロンプトフレームワークである。
  論文  参考訳（メタデータ） (2024-08-18T11:07:38Z)
• Meta-prompting Optimized Retrieval-augmented Generation [1.3996171129586734]
  下流タスクにおける大規模言語モデルの性能を活かすため、検索拡張世代は外部ソースから取得したコンテンツに頼っている。 本稿では,メタプロンプト最適化を利用して,検索したコンテンツをプロンプトに含める前に洗練する手法を提案する。
  論文  参考訳（メタデータ） (2024-07-04T14:20:12Z)
• 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)
• Evaluating Robustness of Generative Search Engine on Adversarial Factual Questions [89.35345649303451]
  生成検索エンジンは、人々がオンラインで情報を求める方法を変える可能性を秘めている。 しかし,既存の大規模言語モデル(LLM)が支援する生成検索エンジンからの応答は必ずしも正確ではない。 検索強化世代は、敵がシステム全体を回避できるため、安全上の懸念を増す。
  論文  参考訳（メタデータ） (2024-02-25T11:22:19Z)
• 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)
• 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)

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。