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

• 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)
• 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)
• 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)

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。