論文の概要: Bridging the Gap: From Ad-hoc to Proactive Search in Conversations

• arxiv url: http://arxiv.org/abs/2506.00983v1
• Date: Sun, 01 Jun 2025 12:30:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.886689
• Title: Bridging the Gap: From Ad-hoc to Proactive Search in Conversations
• Title（参考訳）: ギャップを埋める: アドホックから会話における前向きな検索へ
• Authors: Chuan Meng, Francesco Tonolini, Fengran Mo, Nikolaos Aletras, Emine Yilmaz, Gabriella Kazai,
• Abstract要約: 会話における能動的検索 (PSC) は、会話の文脈に与えられた有用な情報を積極的に検索することで、明示的なクエリを定式化する際のユーザの労力を減らすことを目的としている。 以前のPSCの作業では、このコンテキストをオフザシェルのアドホックレトリバーへの入力として直接使用するか、PSCデータ上でそれらを微調整する。 アドホック検索は短く簡潔なクエリで事前訓練されるが、PSCの入力は長くノイズが多い。 アドホック検索とPSCの入力ギャップを埋めることで、アドホック検索をPSCに適応させる新しいフレームワークであるConv2Queryを提案する。
• 参考スコア（独自算出の注目度）: 46.4558826200335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Proactive search in conversations (PSC) aims to reduce user effort in formulating explicit queries by proactively retrieving useful relevant information given conversational context. Previous work in PSC either directly uses this context as input to off-the-shelf ad-hoc retrievers or further fine-tunes them on PSC data. However, ad-hoc retrievers are pre-trained on short and concise queries, while the PSC input is longer and noisier. This input mismatch between ad-hoc search and PSC limits retrieval quality. While fine-tuning on PSC data helps, its benefits remain constrained by this input gap. In this work, we propose Conv2Query, a novel conversation-to-query framework that adapts ad-hoc retrievers to PSC by bridging the input gap between ad-hoc search and PSC. Conv2Query maps conversational context into ad-hoc queries, which can either be used as input for off-the-shelf ad-hoc retrievers or for further fine-tuning on PSC data. Extensive experiments on two PSC datasets show that Conv2Query significantly improves ad-hoc retrievers' performance, both when used directly and after fine-tuning on PSC.
• Abstract（参考訳）: 会話における積極的な検索 (PSC) は、会話のコンテキストに与えられた有用な情報を積極的に検索することで、明示的なクエリを定式化する際のユーザの労力を減らすことを目的としている。 以前のPSCの作業では、このコンテキストをオフザシェルのアドホックレトリバーへの入力として直接使用するか、PSCデータ上でそれらを微調整する。 しかし、アドホック検索は短く簡潔なクエリで事前訓練され、PSCの入力は長くノイズが多い。 このアドホック検索とPSCの入力ミスマッチは、検索品質を制限する。 PSCデータの微調整は役立つが、この入力ギャップによってその利点は制約される。 本研究では、アドホック検索とPSCの入力ギャップを埋めることで、アドホック検索をPSCに適応させる新しい対話型クエリフレームワークであるConv2Queryを提案する。 Conv2Queryは、会話のコンテキストをアドホックなクエリにマッピングする。 2つのPSCデータセットに対する大規模な実験により、Conv2QueryはPSC上で直接および微調整した後にアドホック検索のパフォーマンスを著しく改善することが示された。

関連論文リスト

• PSCon: Product Search Through Conversations [55.94925947614474]
  Conversational Product Search (CPS)システムは自然言語でユーザと対話し、パーソナライズされたコンテキスト対応の製品リストを提供する。 CPSに関する既存の研究のほとんどは、人間のような言語によって駆動される実際のCPSデータセットが欠如しているため、シミュレートされた会話に限られている。 本稿では,CPSデータ収集プロトコルを提案し,PSConと呼ばれる新しいCPSデータセットを作成する。
  論文  参考訳（メタデータ） (2025-02-19T17:05:42Z)
• Aligning Query Representation with Rewritten Query and Relevance Judgments in Conversational Search [32.35446999027349]
  我々は、より優れたクエリ表現モデルをトレーニングするために、リライトされたクエリと会話検索データの関連判断の両方を活用する。 提案したモデル --Query Representation Alignment Conversational Retriever(QRACDR)は、8つのデータセットでテストされる。
  論文  参考訳（メタデータ） (2024-07-29T17:14:36Z)
• Effective and Efficient Conversation Retrieval for Dialogue State Tracking with Implicit Text Summaries [48.243879779374836]
  LLM (Large Language Models) を用いたDST (Few-shot dialogue state tracking) では,会話検索を効果的かつ効率的に行うことで,学習の迅速化を図っている。 従来は検索キーやクエリとして生の対話コンテキストを使用していた。 会話のテキスト要約に基づいて会話検索を行う。 LLMに基づく会話要約器がクエリとキー生成に採用され、効果的な内部製品探索が可能となる。
  論文  参考訳（メタデータ） (2024-02-20T14:31:17Z)
• Query Performance Prediction: From Ad-hoc to Conversational Search [55.37199498369387]
  クエリパフォーマンス予測(QPP)は、情報検索における中核的なタスクである。 アドホック検索におけるQPPの有効性と有用性について検討した。 その可能性にもかかわらず、会話検索のためのQPPはほとんど研究されていない。
  論文  参考訳（メタデータ） (2023-05-18T12:37:01Z)

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。