論文の概要: Contextually Aware E-Commerce Product Question Answering using RAG

• arxiv url: http://arxiv.org/abs/2508.01990v1
• Date: Mon, 04 Aug 2025 02:14:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.143359
• Title: Contextually Aware E-Commerce Product Question Answering using RAG
• Title（参考訳）: RAGを用いたEコマース製品質問応答の文脈認識
• Authors: Praveen Tangarajan, Anand A. Rajasekar, Manish Rathi, Vinay Rao Dandin, Ozan Ersoy,
• Abstract要約: Eコマース製品ページには、構造化された仕様、構造化されていないレビュー、パーソナライズされたオファーや地域的なバリエーションといったコンテキスト要素が混在している。 Retrieval Augmented Generation (RAG) を用いたeコマース製品質問応答(PQA)のためのスケーラブルでエンドツーエンドなフレームワークを提案する。 本システムでは,会話履歴,ユーザプロファイル,製品属性を利用して,関連性およびパーソナライズされた回答を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: E-commerce product pages contain a mix of structured specifications, unstructured reviews, and contextual elements like personalized offers or regional variants. Although informative, this volume can lead to cognitive overload, making it difficult for users to quickly and accurately find the information they need. Existing Product Question Answering (PQA) systems often fail to utilize rich user context and diverse product information effectively. We propose a scalable, end-to-end framework for e-commerce PQA using Retrieval Augmented Generation (RAG) that deeply integrates contextual understanding. Our system leverages conversational history, user profiles, and product attributes to deliver relevant and personalized answers. It adeptly handles objective, subjective, and multi-intent queries across heterogeneous sources, while also identifying information gaps in the catalog to support ongoing content improvement. We also introduce novel metrics to measure the framework's performance which are broadly applicable for RAG system evaluations.
• Abstract（参考訳）: Eコマース製品ページには、構造化された仕様、構造化されていないレビュー、パーソナライズされたオファーや地域的なバリエーションといったコンテキスト要素が混在している。 情報的ではあるが、このボリュームは認知的過負荷につながる可能性があるため、ユーザーは必要な情報を迅速かつ正確に見つけることが困難になる。 既存の製品質問回答(PQA)システムは、リッチユーザコンテキストと多様な製品情報を効果的に利用できないことが多い。 本稿では、文脈理解を深く統合した検索型拡張生成(RAG)を用いて、eコマースPQAのためのスケーラブルでエンドツーエンドなフレームワークを提案する。 本システムでは,会話履歴,ユーザプロファイル,製品属性を利用して,関連性およびパーソナライズされた回答を提供する。 客観的、主観的、多目的的な問合せを多種多様なソースにわたって適切に処理し、また、進行中のコンテンツ改善をサポートするためにカタログ内の情報ギャップを識別する。 また、RAGシステム評価に広く適用可能なフレームワークの性能を測定するための新しいメトリクスも導入する。

関連論文リスト

• PDF Retrieval Augmented Question Answering [14.617711623828248]
  本稿では,Retrieval Augmented Generation (RAG) フレームワークを用いた質問応答システム(QA)の進歩について述べる。 我々は,複雑なマルチモーダル質問を効果的に解決する総合的なRAGベースのQAシステムの構築を目指している。
  論文  参考訳（メタデータ） (2025-06-22T13:14:19Z)
• Unanswerability Evaluation for Retrieval Augmented Generation [74.3022365715597]
  UAEval4RAGは、RAGシステムが解答不能なクエリを効果的に処理できるかどうかを評価するために設計されたフレームワークである。 我々は、6つの未解決カテゴリを持つ分類を定義し、UAEval4RAGは、多様で挑戦的なクエリを自動的に合成する。
  論文  参考訳（メタデータ） (2024-12-16T19:11:55Z)
• 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)
• A Usage-centric Take on Intent Understanding in E-Commerce [20.648271216249977]
  私たちは、“顧客が製品を使う方法”として、述語的ユーザ意図に注目します。 FolkScopeの2つの弱点、SOTA E-Commerce Intent Graphを特定します。 ユーザ意図を最も望ましい特性を持つ製品と強く結びつける能力を制限する。
  論文  参考訳（メタデータ） (2024-02-22T18:09:33Z)
• CRUD-RAG: A Comprehensive Chinese Benchmark for Retrieval-Augmented Generation of Large Language Models [49.16989035566899]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の能力を高める技術である。 本稿では,大規模かつ包括的なベンチマークを構築し,様々なRAGアプリケーションシナリオにおけるRAGシステムのすべてのコンポーネントを評価する。
  論文  参考訳（メタデータ） (2024-01-30T14:25:32Z)
• A case study of Generative AI in MSX Sales Copilot: Improving seller productivity with a real-time question-answering system for content recommendation [3.680292844010173]
  我々は、売り手が顧客とライブで共有したり、通話中に参照したりできる関連資料や文書を入手するための、特にターゲットとするリアルタイム質問応答システムを設計する。 本稿では, 地震資料リポジトリを, 多様な販売資料のデータセットの比較的大規模な例とみなす。 私たちは、文書や販売業者が利用できる豊富なメタ機能のセットを活かした、精巧な方法で、エンジニアリングのプロンプトによってこれを達成します。
  論文  参考訳（メタデータ） (2024-01-04T13:32:44Z)
• Social Commonsense-Guided Search Query Generation for Open-Domain Knowledge-Powered Conversations [66.16863141262506]
  本稿では,ソーシャルコモンセンスによってガイドされたインターネット検索クエリ生成に焦点を当てた新しいアプローチを提案する。 提案フレームワークは,トピックトラッキング,コモンセンス応答生成,命令駆動クエリ生成を統合することで,受動的ユーザインタラクションに対処する。
  論文  参考訳（メタデータ） (2023-10-22T16:14:56Z)
• Towards Personalized Answer Generation in E-Commerce via Multi-Perspective Preference Modeling [62.049330405736406]
  Eコマースプラットフォーム上での製品質問回答(PQA)は、インテリジェントオンラインショッピングアシスタントとして機能するため、注目を集めている。 なぜなら、多くの顧客は、自分でのみカスタマイズされた情報でパーソナライズされた回答を見たいと思っているからです。 PQAにおけるパーソナライズされた回答を生成するための,新しいマルチパースペクティブなユーザ嗜好モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-27T07:51:49Z)
• Distantly Supervised Transformers For E-Commerce Product QA [5.460297795256275]
  Eコマースサービスの商品ページで、実用的なインスタント質問回答(QA)システムを提案します。 ユーザクエリごとに、関連するコミュニティの質問回答(CQA)ペアが取得される。 提案するトランスフォーマーモデルでは,統一構文表現と意味表現を共同学習し,堅牢な関連性関数を学習する。
  論文  参考訳（メタデータ） (2021-04-07T06:37:16Z)
• User-Inspired Posterior Network for Recommendation Reason Generation [53.035224183349385]
  推奨理由生成は、顧客の関心を惹きつけ、ユーザーエクスペリエンスを向上させる上で重要な役割を果たします。 ユーザインスパイアされたマルチソース後部トランス(MSPT)を提案し,ユーザの興味を反映したモデルを誘導する。 実験の結果,本モデルは従来の生成モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-02-16T02:08:52Z)

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。