論文の概要: CTR-Guided Generative Query Suggestion in Conversational Search

• arxiv url: http://arxiv.org/abs/2507.04072v1
• Date: Sat, 05 Jul 2025 15:32:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.004667
• Title: CTR-Guided Generative Query Suggestion in Conversational Search
• Title（参考訳）: 対話型検索におけるCTR誘導生成クエリの提案
• Authors: Erxue Min, Hsiu-Yuan Huang, Xihong Yang, Min Yang, Xin Jia, Yunfang Wu, Hengyi Cai, Junfeng Wang, Shuaiqiang Wang, Dawei Yin,
• Abstract要約: GQSは、クリックモデリングと好みの最適化を統合して、現実世界のユーザエンゲージメントを強化するジェネレーティブフレームワークである。 GQGSは3つの主要なコンポーネントで構成されている。(1) 様々なコンテキスト信号をキャプチャして細粒度クリックスルー率を推定するマルチソースCTRモデリングモジュール、(2) CTR重み付き直接選好最適化(DPO)を用いた多様性意識選好調整戦略、(3) CTRと学習ラウンドをまたいだ生成モデルを共同で洗練するCTR校正反復最適化プロセス。
• 参考スコア（独自算出の注目度）: 35.654879254147964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating effective query suggestions in conversational search requires aligning model outputs with user preferences, which is challenging due to sparse and noisy click signals. We propose GQS, a generative framework that integrates click modeling and preference optimization to enhance real-world user engagement. GQS consists of three key components: (1) a Multi-Source CTR Modeling module that captures diverse contextual signals to estimate fine-grained click-through rates; (2) a Diversity-Aware Preference Alignment strategy using CTR-weighted Direct Preference Optimization (DPO), which balances relevance and semantic diversity; and (3) a CTR-Calibrated Iterative Optimization process that jointly refines the CTR and generation models across training rounds. Experiments on two real-world tasks demonstrate that GQS outperforms strong baselines in CTR, relevance, and diversity.
• Abstract（参考訳）: 対話型検索で効果的なクエリ提案を生成するには、モデルの出力とユーザの好みを一致させる必要がある。 本稿では,実世界のユーザエンゲージメントを高めるために,クリックモデリングと嗜好最適化を統合した生成フレームワークGQSを提案する。 GQSは3つの主要なコンポーネントから構成される:(1)様々なコンテキスト信号をキャプチャして細かなクリックスルー率を推定するマルチソースCTRモデリングモジュール、(2)CTRの重み付けと意味的多様性のバランスをとるDPO(Diversity-Aware Preference Asignment Strategy)、(3)CTRと学習ラウンド間でCTRと生成モデルを共同で洗練するCTR-Calibrated Iterative Optimizationプロセス。 2つの実世界のタスクの実験により、GQSはCTR、関連性、多様性において強いベースラインを上回ります。

関連論文リスト

• PRECTR: A Synergistic Framework for Integrating Personalized Search Relevance Matching and CTR Prediction [3.753643743882433]
  検索レコメンデーションシステムにおける2つの主要なタスクは、検索関連性マッチングとクリックスルー率(CTR)予測である。 パーソナライズされた検索関連マッチングとCTR予測融合モデル(PRECTR)を提案する。 具体的には、CTR予測と検索関連性マッチングを1つのフレームワークに統合し、2つのモジュールの相互作用と一貫性を強化する。
  論文  参考訳（メタデータ） (2025-03-24T07:07:04Z)
• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• LLM4Rerank: LLM-based Auto-Reranking Framework for Recommendations [51.76373105981212]
  リグレードはレコメンデーションシステムにおいて重要な要素であり、レコメンデーションアルゴリズムの出力を精査する上で重要な役割を果たす。 そこで我々は,様々な格付け基準をシームレスに統合する包括的格付けフレームワークを提案する。 カスタマイズ可能な入力機構も統合されており、言語モデルのフォーカスを特定の再配置のニーズに合わせることができる。
  論文  参考訳（メタデータ） (2024-06-18T09:29:18Z)
• FLIP: Fine-grained Alignment between ID-based Models and Pretrained Language Models for CTR Prediction [49.510163437116645]
  クリックスルーレート(CTR)予測は、パーソナライズされたオンラインサービスにおいてコア機能モジュールとして機能する。 CTR予測のための従来のIDベースのモデルは、表形式の1ホットエンコードされたID特徴を入力として取る。 事前訓練された言語モデル(PLM)は、テキストのモダリティの文を入力として取る別のパラダイムを生み出した。 本稿では,CTR予測のためのIDベースモデルと事前学習言語モデル(FLIP)間の細粒度特徴レベルのアライメントを提案する。
  論文  参考訳（メタデータ） (2023-10-30T11:25:03Z)
• ClickPrompt: CTR Models are Strong Prompt Generators for Adapting Language Models to CTR Prediction [45.15127775876369]
  クリックスルー率(CTR)の予測は、様々なインターネットアプリケーションにとってますます不可欠になっている。 従来のCTRモデルは、マルチフィールド分類データをワンホット符号化によりID特徴に変換し、特徴間の協調信号を抽出する。 我々は、CTRモデルを組み込んで対話対応ソフトプロンプトを生成する、新しいモデル非依存フレームワーク(ClickPrompt)を提案する。
  論文  参考訳（メタデータ） (2023-10-13T16:37:53Z)
• Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
  本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。 実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
  論文  参考訳（メタデータ） (2021-10-28T13:22:45Z)

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。