論文の概要: AI Guided Accelerator For Search Experience

• arxiv url: http://arxiv.org/abs/2508.05649v1
• Date: Fri, 25 Jul 2025 23:26:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-17 22:58:06.113634
• Title: AI Guided Accelerator For Search Experience
• Title（参考訳）: 検索体験のためのAIガイド付き加速器
• Authors: Jayanth Yetukuri, Mehran Elyasi, Samarth Agrawal, Aritra Mandal, Rui Kong, Harish Vempati, Ishita Khan,
• Abstract要約: 本稿では,ユーザの最終購入意図に向けての旅の間に生じる中間的変更を,トランジショナルなクエリを明示的にモデル化する新しいフレームワークを提案する。 このアプローチは,探索行動や意図の洗練を反映した中途半端なトランジションをユーザのショッピングファンネルをモデル化する。 我々の貢献には、(i)トランザクショナルクエリの形式的識別とモデリング、(ii)インテントフロー理解のための構造化クエリシーケンスマイニングパイプラインの導入、(iii)スケーラブルでインテント対応のクエリ拡張のためのLLMの適用が含まれる。
• 参考スコア（独自算出の注目度）: 2.1180074160333815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective query reformulation is pivotal in narrowing the gap between a user's exploratory search behavior and the identification of relevant products in e-commerce environments. While traditional approaches predominantly model query rewrites as isolated pairs, they often fail to capture the sequential and transitional dynamics inherent in real-world user behavior. In this work, we propose a novel framework that explicitly models transitional queries--intermediate reformulations occurring during the user's journey toward their final purchase intent. By mining structured query trajectories from eBay's large-scale user interaction logs, we reconstruct query sequences that reflect shifts in intent while preserving semantic coherence. This approach allows us to model a user's shopping funnel, where mid-journey transitions reflect exploratory behavior and intent refinement. Furthermore, we incorporate generative Large Language Models (LLMs) to produce semantically diverse and intent-preserving alternative queries, extending beyond what can be derived through collaborative filtering alone. These reformulations can be leveraged to populate Related Searches or to power intent-clustered carousels on the search results page, enhancing both discovery and engagement. Our contributions include (i) the formal identification and modeling of transitional queries, (ii) the introduction of a structured query sequence mining pipeline for intent flow understanding, and (iii) the application of LLMs for scalable, intent-aware query expansion. Empirical evaluation demonstrates measurable gains in conversion and engagement metrics compared to the existing Related Searches module, validating the effectiveness of our approach in real-world e-commerce settings.
• Abstract（参考訳）: ユーザの探索的検索行動と,eコマース環境における関連商品の識別とのギャップを狭める上で,効果的なクエリ再構成が重要である。 従来のアプローチでは、クエリの書き直しを独立したペアとしてモデル化することが多いが、現実のユーザの振る舞いに固有のシーケンシャルでトランジショナルなダイナミクスをキャプチャするのに失敗することが多い。 そこで本研究では,ユーザの最終購入意図に向けての旅の間に生じる中間的変更を,トランジショナルなクエリを明示的にモデル化するフレームワークを提案する。 eBayの大規模ユーザインタラクションログから構造化クエリトラジェクトリをマイニングすることで、セマンティックコヒーレンスを維持しながら、意図的なシフトを反映したクエリシーケンスを再構築する。 このアプローチは,探索行動や意図の洗練を反映した中途半端なトランジションをユーザのショッピングファンネルをモデル化する。 さらに,ジェネレーティブなLarge Language Models (LLMs) を組み込んで意味的に多様性があり,意図的に保存される代替クエリを生成する。 これらのリフォームは、関連検索をポップアップさせたり、検索結果ページの意図を集約したカルーセルに電力を供給したりすることで、発見とエンゲージメントの両方を向上させることができる。 コントリビューションには 一 トランジショナルクエリの形式的識別及びモデリング 2【目的流理解のための構造化クエリシーケンスマイニングパイプラインの導入】 3)拡張性のある意図認識型クエリ拡張のためのLLMの応用。 経験的評価は、既存の関連検索モジュールと比較して、変換とエンゲージメントのメトリクスが測定可能な増加を示し、実際のeコマース環境でのアプローチの有効性を検証する。

関連論文リスト

• Intent-Aware Neural Query Reformulation for Behavior-Aligned Product Search [0.0]
  この作業では、大規模なバイヤークエリログのマイニングと分析用に設計された堅牢なデータパイプラインが導入されている。 パイプラインは、潜在購入意図を示すパターンを体系的にキャプチャし、高忠実でインテントリッチなデータセットの構築を可能にする。 本研究は,スパースユーザ入力と複雑な製品発見目標とのギャップを埋めることにおける意図中心モデリングの価値を強調した。
  論文  参考訳（メタデータ） (2025-07-29T20:20:07Z)
• Interactive Reasoning: Visualizing and Controlling Chain-of-Thought Reasoning in Large Language Models [54.85405423240165]
  トピックの階層構造としてチェーンオブ思考出力を可視化するインタラクション設計であるInteractive Reasoningを導入する。 私たちは、不確実なトレードオフに直面したAIによる意思決定のプロトタイプであるHippoで、インタラクティブな推論を実装しています。
  論文  参考訳（メタデータ） (2025-06-30T10:00:43Z)
• 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)
• CLEAR-KGQA: Clarification-Enhanced Ambiguity Resolution for Knowledge Graph Question Answering [13.624962763072899]
  KGQAシステムは通常、ユーザクエリは曖昧であると仮定するが、これは現実世界のアプリケーションではめったに行われない仮定である。 本稿では,対話的明確化を通じて,エンティティのあいまいさ(類似した名前を持つエンティティの区別など)と意図のあいまいさ(ユーザクエリの異なる解釈を明確にするなど)を動的に扱う新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-13T17:34:35Z)
• 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)
• CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  クロスモーダル検索は、異なるモーダルデータの相互作用を通じて、クエリと意味的に関連するインスタンスを検索することを目的としている。 従来のソリューションでは、クエリと候補の間のスコアを明示的に計算するために、シングルトウワーまたはデュアルトウワーのフレームワークを使用している。 粗大なセマンティックモデリングに基づく生成的クロスモーダル検索フレームワーク(CART)を提案する。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• Semantic Equivalence of e-Commerce Queries [6.232692545488813]
  本稿では,クエリの等価性を認識・活用し,検索とビジネスの成果を高めるためのフレームワークを提案する。 提案手法は,検索意図のベクトル表現へのクエリのマッピング,等価あるいは類似の意図を表現した近傍のクエリの特定,ユーザやビジネス目的の最適化という3つの重要な問題に対処する。
  論文  参考訳（メタデータ） (2023-08-07T18:40:13Z)
• Learning to Rank in Generative Retrieval [62.91492903161522]
  生成的検索は、検索対象として関連する通路の識別子文字列を生成することを目的としている。 我々はLTRGRと呼ばれる生成検索のための学習 torankフレームワークを提案する。 このフレームワークは、現在の生成的検索システムを強化するために、追加の学習からランクまでのトレーニングフェーズのみを必要とする。
  論文  参考訳（メタデータ） (2023-06-27T05:48:14Z)
• Synergistic Interplay between Search and Large Language Models for Information Retrieval [141.18083677333848]
  InteRにより、RMはLLM生成した知識コレクションを使用してクエリの知識を拡張することができる。 InteRは、最先端手法と比較して総合的に優れたゼロショット検索性能を実現する。
  論文  参考訳（メタデータ） (2023-05-12T11:58:15Z)

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。