論文の概要: Bridging Search and Recommendation through Latent Cross Reasoning

• arxiv url: http://arxiv.org/abs/2508.04152v1
• Date: Wed, 06 Aug 2025 07:28:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.591579
• Title: Bridging Search and Recommendation through Latent Cross Reasoning
• Title（参考訳）: 遅れたクロス推論によるブリッジ検索と勧告
• Authors: Teng Shi, Weicong Qin, Weijie Yu, Xiao Zhang, Ming He, Jianping Fan, Jun Xu,
• Abstract要約: 本稿では,まずユーザのS&R履歴をエンコードしてグローバルな関心を捉え,検索行動に対して反復的に理由付けを行い,推薦に有用なシグナルを抽出する,潜時的クロス推論フレームワークを提案する。 公開ベンチマークの実験では、強力なベースラインよりも一貫した改善が示され、検索意識のレコメンデーションを強化する上での推論の重要性が検証された。
• 参考スコア（独自算出の注目度）: 10.13775540633345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Search and recommendation (S&R) are fundamental components of modern online platforms, yet effectively leveraging search behaviors to improve recommendation remains a challenging problem. User search histories often contain noisy or irrelevant signals that can even degrade recommendation performance, while existing approaches typically encode S&R histories either jointly or separately without explicitly identifying which search behaviors are truly useful. Inspired by the human decision-making process, where one first identifies recommendation intent and then reasons about relevant evidence, we design a latent cross reasoning framework that first encodes user S&R histories to capture global interests and then iteratively reasons over search behaviors to extract signals beneficial for recommendation. Contrastive learning is employed to align latent reasoning states with target items, and reinforcement learning is further introduced to directly optimize ranking performance. Extensive experiments on public benchmarks demonstrate consistent improvements over strong baselines, validating the importance of reasoning in enhancing search-aware recommendation.
• Abstract（参考訳）: 検索とレコメンデーション(S&R)は、現代のオンラインプラットフォームの基本的な構成要素であるが、レコメンデーションを改善するために検索行動を有効に活用することは難しい問題である。 ユーザ検索履歴には、リコメンデーションパフォーマンスを低下させるノイズや無関係な信号が含まれていることが多いが、既存のアプローチでは、どの検索動作が本当に有用であるかを明確に特定することなく、S&R履歴を共同または別々に符号化するのが一般的である。 人間の意思決定プロセスにインスパイアされ、まず推薦意図を識別し、次に関連する証拠を理由づけて、まずユーザS&R履歴を符号化して世界的関心を捉え、次に検索行動に対して反復的に理由付けを行い、推薦に有用なシグナルを抽出する、潜在的横断的推論フレームワークを設計する。 競合学習は潜在的推論状態と対象項目との整合を図り、さらに強化学習を導入してランク付け性能を直接最適化する。 公開ベンチマークに関する大規模な実験は、強力なベースラインよりも一貫した改善を示し、検索認識の推奨を強化する上での推論の重要性を検証している。

関連論文リスト

• Towards Agentic RAG with Deep Reasoning: A Survey of RAG-Reasoning Systems in LLMs [69.10441885629787]
  Retrieval-Augmented Generation (RAG) は、外部知識を注入することによって、Large Language Models (LLM) の事実性を高める。 逆に、純粋に推論指向のアプローチは、しばしば幻覚的あるいは誤った事実を必要とする。 この調査は両鎖を統一的推論-検索の観点から合成する。
  論文  参考訳（メタデータ） (2025-07-13T03:29:41Z)
• Coordinating Search-Informed Reasoning and Reasoning-Guided Search in Claim Verification [16.655011153015202]
  マルチホップクレーム検証のための階層型エージェント推論と情報検索(HARIS)を提案する。 HARISは、主検証チェーンの構築に集中し、より多くの情報が必要な場合に事実質問を生成する高レベル推論エージェントと、より多くの情報を反復的に検索する低レベル検索エージェントから構成される。 EX-FEVER と HOVER のベンチマーク実験の結果,HARIS は高い性能を示した。
  論文  参考訳（メタデータ） (2025-06-09T08:11:43Z)
• ClueAnchor: Clue-Anchored Knowledge Reasoning Exploration and Optimization for Retrieval-Augmented Generation [82.28147821286709]
  我々は、検索拡張世代(RAG)を向上するための新しいフレームワークであるClueAnchorを提案する。 ClueAnchorは、検索したコンテンツからキーキーを抽出し、異なる知識構成に基づいて複数の推論パスを生成する。 実験の結果、ClueAnchorはRAG以前のベースラインよりも完全性や堅牢性に優れていた。
  論文  参考訳（メタデータ） (2025-05-30T09:18:08Z)
• iEBAKER: Improved Remote Sensing Image-Text Retrieval Framework via Eliminate Before Align and Keyword Explicit Reasoning [80.44805667907612]
  iEBAKERは、弱い相関のサンプルペアをフィルタリングする革新的な戦略である。 SAR(Sort After Reversed Retrieval)戦略の代替として,SAR(Sort After Retrieval)戦略を導入する。 キーワード明示型推論(KER)モジュールを組み込んで、微妙なキー概念の区別による有益な影響を促進する。
  論文  参考訳（メタデータ） (2025-04-08T03:40:19Z)
• Counterfactual Learning-Driven Representation Disentanglement for Search-Enhanced Recommendation [19.76299850698492]
  本稿では,探索強化型推薦のための対実的学習駆動型表現非絡み合いフレームワークを提案する。 検索クエリを活用して,クエリ非依存の汎用機能のみを分離し,アイテム表現をアンタングル化する。 ClardRecは協調フィルタリングとシーケンシャルなレコメンデーションシナリオの両方で有効である。
  論文  参考訳（メタデータ） (2024-11-14T09:51:50Z)
• When Search Meets Recommendation: Learning Disentangled Search Representation for Recommendation [56.98380787425388]
  シークエンシャルレコメンデーション(SESRec)のための検索強化フレームワークを提案する。 SESRec は、S&R の振る舞いにおいて類似および異種表現を分離する。 産業用と公共用両方のデータセットの実験では、SESRecが最先端のモデルより一貫して優れていることが示されている。
  論文  参考訳（メタデータ） (2023-05-18T09:04:50Z)
• Reward Uncertainty for Exploration in Preference-based Reinforcement Learning [88.34958680436552]
  好みに基づく強化学習アルゴリズムを対象とした探索手法を提案する。 我々の基本的な考え方は、学習した報酬に基づいて、斬新さを測定することによって、本質的な報酬を設計することである。 実験により、学習報酬の不確実性からの探索ボーナスは、好みに基づくRLアルゴリズムのフィードバック効率とサンプル効率の両方を改善することが示された。
  論文  参考訳（メタデータ） (2022-05-24T23:22:10Z)
• Improving Sequential Query Recommendation with Immediate User Feedback [6.925738064847176]
  本稿では,対話型データ探索設定における次のクエリレコメンデーションのためのアルゴリズムを提案する。 人気のあるオンライン文献発見サービスからログファイルを用いて大規模な実験を行った。
  論文  参考訳（メタデータ） (2022-05-12T18:19:24Z)
• High Quality Related Search Query Suggestions using Deep Reinforcement Learning [0.15229257192293202]
  The High Quality Related Search Query Suggestions” タスクは,リアルタイムで正確で,多様な,関連性の高い検索クエリを推奨することを目的としている。 私たちは、ユーザが次に入力するクエリを予測するために、Deep Reinforcement Learningモデルをトレーニングします。 報酬信号は、長期セッションベースのユーザフィードバック、構文的関連性、および生成されたクエリの自然性から成り立っている。
  論文  参考訳（メタデータ） (2021-08-10T05:22:32Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)

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。