論文の概要: Modernizing Facebook Scoped Search: Keyword and Embedding Hybrid Retrieval with LLM Evaluation
- arxiv url: http://arxiv.org/abs/2509.13603v1
- Date: Wed, 17 Sep 2025 00:22:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-18 18:41:50.675461
- Title: Modernizing Facebook Scoped Search: Keyword and Embedding Hybrid Retrieval with LLM Evaluation
- Title（参考訳）: Facebook Scoped Searchの近代化: LLM評価によるキーワードと埋め込みハイブリッド検索
- Authors: Yongye Su, Zeya Zhang, Jane Kou, Cheng Ju, Shubhojeet Sarkar, Yamin Wang, Ji Liu, Shengbo Guo,
- Abstract要約: 我々は、Facebook Group Scoped Searchの近代化されたフレームワークを紹介する。
従来のキーワードベース検索と埋め込み型検索を併用し,検索結果の検索関連性や多様性を向上させる。
その結果,混合検索システムはユーザエンゲージメントと検索品質を大幅に向上させることがわかった。
- 参考スコア（独自算出の注目度）: 4.821105793289088
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Beyond general web-scale search, social network search uniquely enables users to retrieve information and discover potential connections within their social context. We introduce a framework of modernized Facebook Group Scoped Search by blending traditional keyword-based retrieval with embedding-based retrieval (EBR) to improve the search relevance and diversity of search results. Our system integrates semantic retrieval into the existing keyword search pipeline, enabling users to discover more contextually relevant group posts. To rigorously assess the impact of this blended approach, we introduce a novel evaluation framework that leverages large language models (LLMs) to perform offline relevance assessments, providing scalable and consistent quality benchmarks. Our results demonstrate that the blended retrieval system significantly enhances user engagement and search quality, as validated by both online metrics and LLM-based evaluation. This work offers practical insights for deploying and evaluating advanced retrieval systems in large-scale, real-world social platforms.
- Abstract（参考訳）: 一般的なウェブスケール検索以外にも、ソーシャルネットワーク検索では、ユーザーが情報を取得し、ソーシャルコンテキスト内で潜在的なつながりを発見することができる。
従来のキーワードベースの検索と埋め込み型検索(EBR)を融合して、検索の妥当性と多様性を向上させることで、Facebookグループスコープ検索を近代化するフレームワークを提案する。
提案システムは,意味検索を既存のキーワード検索パイプラインに統合し,ユーザがより文脈的に関係のあるグループ投稿を発見できるようにする。
このブレンデッドアプローチの効果を厳格に評価するために,大規模な言語モデル(LLM)を活用してオフラインで妥当性評価を行い,スケーラブルで一貫した品質ベンチマークを提供する,新たな評価フレームワークを導入する。
その結果, 混合検索システムにより, ユーザエンゲージメントと検索品質が著しく向上することを示し, オンラインメトリクスとLCMに基づく評価の両面から検証した。
この研究は、大規模で現実的なソーシャルプラットフォームにおける高度な検索システムをデプロイし、評価するための実践的な洞察を提供する。
関連論文リスト
- Towards Context-aware Reasoning-enhanced Generative Searching in E-commerce [61.03081096959132]
そこで本稿では,複雑な状況下でのテキストバウンダリングを改善するための,文脈対応推論強化型生成検索フレームワークを提案する。
提案手法は,強力なベースラインに比べて優れた性能を示し,検索に基づく推薦の有効性を検証した。
論文 参考訳（メタデータ） (2025-10-19T16:46:11Z) - Deep Learning-Based Approach for Improving Relational Aggregated Search [0.46664938579243564]
本研究では,高度自然言語処理技術,すなわち積み重ねオートエンコーダとAraBERT埋め込みの適用について検討する。
従来の検索エンジンの限界を超越して、検索結果のより豊かで文脈に合った特徴付けを提供する。
論文 参考訳（メタデータ） (2025-10-01T14:37:38Z) - Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。
我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。
BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
論文 参考訳（メタデータ） (2025-09-08T10:58:42Z) - LLM-based Relevance Assessment for Web-Scale Search Evaluation at Pinterest [3.306725465028306]
我々はPinterest Searchで、微調整LDMを用いたオンライン実験の妥当性評価を自動化する手法を提案する。
LLMによる判断と人間のアノテーションの一致を厳格に検証する。
このアプローチは、高品質な関連指標をもたらし、オンライン実験における最小検出効果(MDE)を著しく低減する。
論文 参考訳（メタデータ） (2025-09-03T23:07:49Z) - How good are LLMs at Retrieving Documents in a Specific Domain? [3.282961543904818]
本稿では,ドメイン固有の評価データセットをキュレートして検索システムの性能を解析する自動手法を提案する。
本研究では,Large Language Models (LLMs) を用いたRAG(Retrieval of Augmented Generation)を組み込んで,自然言語クエリを用いた環境領域データの高品質な検索を行う。
論文 参考訳（メタデータ） (2025-08-25T19:47:21Z) - LLM-Driven Usefulness Judgment for Web Search Evaluation [12.10711284043516]
情報検索(IR)における検索体験の最適化と多種多様なユーザ意図支援の基礎的評価
従来の検索評価手法は主に関連ラベルに依存しており、検索された文書がユーザのクエリとどのようにマッチするかを評価する。
本稿では,文書の有用性を評価するために,暗黙的かつ明示的なユーザ行動信号の両方を組み込んだLCM生成実用性ラベルを提案する。
論文 参考訳（メタデータ） (2025-04-19T20:38:09Z) - Hybrid Semantic Search: Unveiling User Intent Beyond Keywords [0.0]
本稿では,ユーザの意図を理解する上で,従来のキーワードベースの検索の限界に対処する。
非意味的な検索エンジン、LLM(Large Language Models)、埋め込みモデルの強みを活用する新しいハイブリッド検索手法を導入する。
論文 参考訳（メタデータ） (2024-08-17T16:04:31Z) - 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) - Evaluating Generative Ad Hoc Information Retrieval [58.800799175084286]
生成検索システムは、しばしばクエリに対する応答として、接地された生成されたテキストを直接返す。
このような生成的アドホック検索を適切に評価するには,テキスト応答の有用性の定量化が不可欠である。
論文 参考訳（メタデータ） (2023-11-08T14:05:00Z) - Large Search Model: Redefining Search Stack in the Era of LLMs [63.503320030117145]
我々は,1つの大言語モデル(LLM)で検索タスクを統一することにより,従来の検索スタックを再定義する,大規模検索モデルと呼ばれる新しい概念的フレームワークを導入する。
全てのタスクは自動回帰テキスト生成問題として定式化され、自然言語のプロンプトを使ってタスクをカスタマイズできる。
提案フレームワークは,LLMの強力な言語理解と推論能力を活用し,既存の検索スタックを簡素化しつつ,検索結果の質を向上させる能力を提供する。
論文 参考訳（メタデータ） (2023-10-23T05:52:09Z) - Rethinking the Evaluation for Conversational Recommendation in the Era
of Large Language Models [115.7508325840751]
近年の大規模言語モデル(LLM)の成功は、より強力な対話レコメンデーションシステム(CRS)を開発する大きな可能性を示している。
本稿では,ChatGPTの会話レコメンデーションへの活用について検討し,既存の評価プロトコルが不十分であることを明らかにする。
LLMをベースとしたユーザシミュレータを用いた対話型評価手法iEvaLMを提案する。
論文 参考訳（メタデータ） (2023-05-22T15:12:43Z) - 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。