Fugu-MT 論文翻訳(概要): IntSR: An Integrated Generative Framework for Search and Recommendation

論文の概要: IntSR: An Integrated Generative Framework for Search and Recommendation

arxiv url: http://arxiv.org/abs/2509.21179v2
Date: Fri, 26 Sep 2025 05:16:49 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-29 12:12:20.355928
Title: IntSR: An Integrated Generative Framework for Search and Recommendation
Title（参考訳）: IntSR: 検索とレコメンデーションのための統合生成フレームワーク
Authors: Huimin Yan, Longfei Xu, Junjie Sun, Ni Ou, Wei Luo, Xing Tan, Ran Cheng, Kaikui Liu, Xiangxiang Chu,
Abstract要約: IntSRは検索とレコメンデーションのための統合生成フレームワークである。異なるクエリモーダルを使って、これらの異なるタスクを統合する。 IntSRはAmapのさまざまなシナリオでうまくデプロイされている。
参考スコア（独自算出の注目度）: 23.773378364635523
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generative recommendation has emerged as a promising paradigm, demonstrating remarkable results in both academic benchmarks and industrial applications. However, existing systems predominantly focus on unifying retrieval and ranking while neglecting the integration of search and recommendation (S&R) tasks. What makes search and recommendation different is how queries are formed: search uses explicit user requests, while recommendation relies on implicit user interests. As for retrieval versus ranking, the distinction comes down to whether the queries are the target items themselves. Recognizing the query as central element, we propose IntSR, an integrated generative framework for S&R. IntSR integrates these disparate tasks using distinct query modalities. It also addresses the increased computational complexity associated with integrated S&R behaviors and the erroneous pattern learning introduced by a dynamically changing corpus. IntSR has been successfully deployed across various scenarios in Amap, leading to substantial improvements in digital asset's GMV(+9.34%), POI recommendation's CTR(+2.76%), and travel mode suggestion's ACC(+7.04%).
Abstract（参考訳）: ジェネレーティブ・レコメンデーションは有望なパラダイムとして現れており、学術ベンチマークと産業アプリケーションの両方で顕著な結果を示している。しかし,既存のシステムは検索・レコメンデーション(S&R)タスクの統合を無視しながら,検索・ランキングの統合に重点を置いている。検索とレコメンデーションが異なるのは、クエリの生成方法だ。検索は明示的なユーザリクエストを使用し、レコメンデーションは暗黙のユーザ関心に依存している。検索とランキングに関しては、クエリ自体がターゲットアイテムであるかどうかが区別される。クエリを中心要素として認識し,S&Rのための統合生成フレームワークであるIntSRを提案する。 IntSRはこれらの異なるタスクを異なるクエリモーダルを使って統合する。また、統合されたS&R行動と、動的に変化するコーパスによって導入された誤パターン学習に関連する計算複雑性の増大にも対処する。 IntSRはAmapの様々なシナリオに展開され、デジタルアセットのGMV(+9.34%)、POIレコメンデーションのCTR(+2.76%)、旅行モードの提案のACC(+7.04%)が大幅に改善された。

関連論文リスト

RAGRouter-Bench: A Dataset and Benchmark for Adaptive RAG Routing [37.7721677767453]
適応型RAGルーティング用に設計された最初のデータセットとベンチマークであるRAG-Benchを紹介する。 RAG-Benchは、クエリコーパスの互換性の観点から検索を再考し、5つの代表的なRAGパラダイムを体系的評価のために標準化する。 DeepSeek-V3 と LLaMA-3.1-8B による実験は、単一のRAGパラダイムが普遍的に最適であることを示した。
論文参考訳（メタデータ） (2026-01-30T20:38:11Z)
When should I search more: Adaptive Complex Query Optimization with Reinforcement Learning [26.489185170468062]
適応複雑クエリ最適化(ACQO)と呼ばれる新しいRLフレームワークを提案する。我々のフレームワークは、いつ、どのように検索プロセスを拡張するかを適応的に決定するように設計されている。 ACQOは3つの複雑なクエリベンチマークで最先端のパフォーマンスを達成し、確立されたベースラインを大幅に上回っている。
論文参考訳（メタデータ） (2026-01-29T03:16:53Z)
Test-time Corpus Feedback: From Retrieval to RAG [21.517949407443453]
Retrieval-Augmented Generation (RAG) は知識集約型NLPタスクの標準フレームワークとして登場した。ほとんどのRAGパイプラインは、検索と推論を独立したコンポーネントとして扱い、ドキュメントを一度取り出し、さらに相互作用することなく回答を生成する。情報検索(IR)とNLPのコミュニティにおける最近の研究は、フィードバックを取り入れた適応的検索とランキング手法を導入して、このギャップを埋め始めている。
論文参考訳（メタデータ） (2025-08-21T10:57:38Z)
Enhancing Retrieval-Augmented Generation for Electric Power Industry Customer Support [0.5277756703318045]
本研究は、電力分野におけるロバストな顧客支援システムを構築するための最近の技術の評価である。クエリ書き換えは,非標準用語を用いたクエリの検索を改善する。 RAG Fusionは、複数の検索をマージすることで、あいまいまたは多面的なクエリのパフォーマンスを向上させる。インテント認識は、複雑な質問をよりターゲットとしたサブクエリに分解するのをサポートする。
論文参考訳（メタデータ） (2025-08-01T08:02:23Z)
HawkBench: Investigating Resilience of RAG Methods on Stratified Information-Seeking Tasks [102.72071523999169]
HawkBenchは、RAGのパフォーマンスを厳格に評価するために設計された、人間ラベル付きマルチドメインベンチマークである。情報探索行動に基づくタスクの階層化により、HawkBenchはRAGシステムが多様なユーザニーズにどのように適応するかを体系的に評価する。
論文参考訳（メタデータ） (2025-02-19T06:33:39Z)
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)
SiReRAG: Indexing Similar and Related Information for Multihop Reasoning [96.60045548116584]
SiReRAGは、類似情報と関連する情報の両方を明示的に考慮する新しいRAGインデックス方式である。 SiReRAGは、3つのマルチホップデータセットの最先端インデックス手法を一貫して上回る。
論文参考訳（メタデータ） (2024-12-09T04:56:43Z)
IRSC: A Zero-shot Evaluation Benchmark for Information Retrieval through Semantic Comprehension in Retrieval-Augmented Generation Scenarios [14.336896748878921]
本稿では,多言語RAGタスクにおける埋め込みモデルの性能評価のためのIRSCベンチマークを提案する。このベンチマークには、クエリ検索、タイトル検索、パラグラフ検索、キーワード検索、要約検索の5つのタスクが含まれている。 1)IRSCベンチマーク,2)SSCIとRCCIメトリクス,3)埋め込みモデルの言語間制限に関する洞察などです。
論文参考訳（メタデータ） (2024-09-24T05:39:53Z)
Unified Active Retrieval for Retrieval Augmented Generation [69.63003043712696]
Retrieval-Augmented Generation (RAG)では、検索は必ずしも役に立たない。既存のアクティブ検索手法は2つの課題に直面している。彼らは通常、様々な種類の命令を扱うのに苦労する単一の基準に頼っている。それらは特殊で高度に区別された手順に依存しており、それらを組み合わせることでRAGシステムはより複雑になる。
論文参考訳（メタデータ） (2024-06-18T12:09:02Z)
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)
Generation-Augmented Retrieval for Open-domain Question Answering [134.27768711201202]
GAR(Generation-Augmented Retrieval)は、オープンドメインの質問に答える機能である。クエリーに対して多様なコンテキストを生成することは、結果の融合が常により良い検索精度をもたらすので有益であることを示す。 GARは、抽出読取装置を備えた場合、抽出QA設定の下で、自然質問およびトリビアQAデータセットの最先端性能を達成する。
論文参考訳（メタデータ） (2020-09-17T23:08:01Z)

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。