論文の概要: A Case Study of Balanced Query Recommendation on Wikipedia

• arxiv url: http://arxiv.org/abs/2508.20399v1
• Date: Thu, 28 Aug 2025 03:52:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:01.970903
• Title: A Case Study of Balanced Query Recommendation on Wikipedia
• Title（参考訳）: Wikipediaにおける平衡クエリレコメンデーションの事例
• Authors: Harshit Mishra, Sucheta Soundarajan,
• Abstract要約: 複数次元のバイアスを処理する BalancedQR の拡張を用いた BalancedQR のケーススタディを提案する。 ウィキペディアのデータセットからBalotdQRの拡張版を評価する。
• 参考スコア（独自算出の注目度）: 1.143020642249583
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modern IR systems are an extremely important tool for seeking information. In addition to search, such systems include a number of query reformulation methods, such as query expansion and query recommendations, to provide high quality results. However, results returned by such methods sometimes exhibit undesirable or wrongful bias with respect to protected categories such as gender or race. Our earlier work considered the problem of balanced query recommendation, where instead of re-ranking a list of results based on fairness measures, the goal was to suggest queries that are relevant to a user's search query but exhibit less bias than the original query. In this work, we present a case study of BalancedQR using an extension of BalancedQR that handles biases in multiple dimensions. It employs a Pareto front approach that finds balanced queries, optimizing for multiple objectives such as gender bias and regional bias, along with the relevance of returned results. We evaluate the extended version of BalancedQR on a Wikipedia dataset.Our results demonstrate the effectiveness of our extension to BalancedQR framework and highlight the significant impact of subtle query wording,linguistic choice on retrieval.
• Abstract（参考訳）: 現代の赤外線システムは情報を求めるための非常に重要なツールである。 検索に加えて、クエリ拡張やクエリレコメンデーションなど、多数のクエリ修正手法が含まれ、高品質な結果を提供する。 しかし、このような方法で返される結果は、性別や人種などの保護されたカテゴリーに関して、望ましくない偏見または誤った偏見を示すこともある。 提案手法は, ユーザの検索クエリに関連するが, 元のクエリよりもバイアスが少ないクエリを提案することを目的としていた。 本研究では,複数次元のバイアスを処理する BalancedQR の拡張を用いた BalancedQR のケーススタディを提案する。 バランスの取れたクエリを見つけ出し、ジェンダーバイアスや地域バイアスといった複数の目的を最適化するParetoのフロントアプローチと、返却された結果の関連性を採用する。 我々は、Wikipediaデータセット上で BalancedQR の拡張版を評価し、我々の結果が BalancedQR フレームワークへの拡張の有効性を実証し、微妙なクエリワード処理、言語的選択が検索に与える影響を強調した。

関連論文リスト

• Decomposed Reasoning with Reinforcement Learning for Relevance Assessment in UGC Platforms [30.51899823655511]
  Retrieval-augmented Generation (RAG)は、ユーザ生成コンテンツプラットフォームにおいて重要な役割を果たす。 1)RAGシナリオにおけるユーザフィードバックの少なさによる曖昧なユーザ意図,2)非公式言語や非構造化言語によって導入された相当なノイズ。
  論文  参考訳（メタデータ） (2025-08-04T15:14:09Z)
• Investigating the Robustness of Retrieval-Augmented Generation at the Query Level [4.3028340012580975]
  推論中に外部知識を動的に組み込むソリューションとして、検索拡張生成(RAG)が提案されている。 その約束にもかかわらず、RAGシステムは実際的な課題に直面し、特に、正確な検索のために入力クエリの品質に強く依存する。
  論文  参考訳（メタデータ） (2025-07-09T15:39:17Z)
• QE-RAG: A Robust Retrieval-Augmented Generation Benchmark for Query Entry Errors [23.225358970952197]
  Retriever-augmented Generation (RAG) は、大規模言語モデル(LLM)の事実精度を高めるために広く採用されているアプローチである。 QE-RAGは、クエリエントリエラーに対するパフォーマンス評価に特化した、最初の堅牢なRAGベンチマークである。 コントラスト学習に基づくロバスト検索学習法と検索拡張クエリ補正法を提案する。
  論文  参考訳（メタデータ） (2025-04-05T05:24:08Z)
• Collapse of Dense Retrievers: Short, Early, and Literal Biases Outranking Factual Evidence [56.09494651178128]
  検索モデルは、Retrieval-Augmented Generation (RAG)のような情報検索(IR)アプリケーションで一般的に使用される。 我々は、Dragon+やContrieverのようなリトリーバーに対する、短いドキュメントの好みなどのバイアスの影響を定量化する。 私たちは大きな脆弱性を発見し、リトリバーが短いドキュメント、早い位置、繰り返しのエンティティ、リテラルマッチを好んで、答えの存在を無視しながら表示します。
  論文  参考訳（メタデータ） (2025-03-06T23:23:13Z)
• ReFIT: Relevance Feedback from a Reranker during Inference [109.33278799999582]
  Retrieve-and-Rerankは、ニューラル情報検索の一般的なフレームワークである。 本稿では,リランカを利用してリコールを改善する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-19T15:30:33Z)
• LoL: A Comparative Regularization Loss over Query Reformulation Losses for Pseudo-Relevance Feedback [70.44530794897861]
  Pseudo-Relevance feedback (PRF) は、検索精度を向上させるための効果的なクエリ修正手法であることが証明されている。 既存のPRF手法は、同じクエリから派生した修正クエリを個別に扱うが、異なる数のフィードバックドキュメントを使用する。 そこで我々はLos-over-Loss(LoL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-25T10:42:50Z)
• Does Recommend-Revise Produce Reliable Annotations? An Analysis on Missing Instances in DocRED [60.39125850987604]
  テキスト修正方式は, 偽陰性サンプルと, 人気エンティティや関係性に対する明らかな偏見をもたらすことを示す。 より信頼性の高いドキュメントREモデルのテストセットとして機能するように、relabeledデータセットがリリースされている。
  論文  参考訳（メタデータ） (2022-04-17T11:29:01Z)
• Surprise: Result List Truncation via Extreme Value Theory [92.5817701697342]
  そこで本研究では,問合せ時における可逆的・校正的関連度スコアを,ランク付けされたスコアに留まらず,統計的に生成する手法を提案する。 本稿では、画像、テキスト、IRデータセット間での結果リストのトランケーションタスクにおいて、その効果を実証する。
  論文  参考訳（メタデータ） (2020-10-19T19:15:50Z)

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。