論文の概要: Progressive Refinement of E-commerce Search Ranking Based on Short-Term Activities of the Buyer

• arxiv url: http://arxiv.org/abs/2512.13037v1
• Date: Mon, 15 Dec 2025 07:07:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.56246
• Title: Progressive Refinement of E-commerce Search Ranking Based on Short-Term Activities of the Buyer
• Title（参考訳）: 買い手の短期活動に基づくeコマース検索ランキングの段階的リファインメント
• Authors: Taoran Sheng, Sathappan Muthiah, Atiq Islam, Jinming Feng,
• Abstract要約: 本研究では,現在の文脈に基づいて,eコマースの検索結果を適応するための体系的なアプローチを提案する。 基礎的な手法から始めて、より文脈的な情報や最先端の技術をインクリメンタルに取り入れて、検索結果を改善する。 以上の結果から,単純な自己回帰的特徴から高度なシーケンスモデルに至るまで,この漸進的な拡張がランサー性能を著しく向上させることが示唆された。
• 参考スコア（独自算出の注目度）: 1.8986796884429726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In e-commerce shopping, aligning search results with a buyer's immediate needs and preferences presents a significant challenge, particularly in adapting search results throughout the buyer's shopping journey as they move from the initial stages of browsing to making a purchase decision or shift from one intent to another. This study presents a systematic approach to adapting e-commerce search results based on the current context. We start with basic methods and incrementally incorporate more contextual information and state-of-the-art techniques to improve the search outcomes. By applying this evolving contextual framework to items displayed on the search engine results page (SERP), we progressively align search outcomes more closely with the buyer's interests and current search intentions. Our findings demonstrate that this incremental enhancement, from simple heuristic autoregressive features to advanced sequence models, significantly improves ranker performance. The integration of contextual techniques enhances the performance of our production ranker, leading to improved search results in both offline and online A/B testing in terms of Mean Reciprocal Rank (MRR). Overall, the paper details iterative methodologies and their substantial contributions to search result contextualization on e-commerce platforms.
• Abstract（参考訳）: 電子商取引では、検索結果を購入者の即時ニーズや嗜好と整合させることは、特に購入者のショッピングジャーニーを通じて、閲覧の初期段階から購入決定や、ある意図から別の目的へと移行していく際に、検索結果を適応させることにおいて重要な課題となる。 本研究では,現在の文脈に基づいて,eコマースの検索結果を適応するための体系的なアプローチを提案する。 基本手法から始めて、より文脈的な情報や最先端の手法をインクリメンタルに取り入れて、検索結果を改善する。 検索結果ページ(SERP)に表示される項目にこの進化する文脈的枠組みを適用することで、購入者の興味や現在の検索意図とより緊密に検索結果を整列する。 以上の結果から,単純なヒューリスティックな自己回帰機能から,高度なシーケンスモデルに至るまで,この漸進的な拡張により,ローダ性能が大幅に向上することが示唆された。 文脈的手法の統合により、生産ランク装置の性能が向上し、平均相互ランク(MRR)の観点から、オフラインおよびオンラインA/Bテストの検索結果が改善される。 本論文は,eコマースプラットフォーム上での検索結果の文脈化に対する反復的方法論とその実質的な貢献について詳述する。

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)
• From Web Search towards Agentic Deep Research: Incentivizing Search with Reasoning Agents [96.65646344634524]
  推論とエージェント能力を備えた大規模言語モデル(LLM)は、エージェントディープリサーチ(Agenic Deep Research)と呼ばれる新しいパラダイムを取り入れている。 静的なWeb検索から,計画,探索,学習を行う対話型エージェントベースのシステムへの進化を辿ります。 我々はエージェントディープリサーチが既存のアプローチを著しく上回るだけでなく、将来の情報探索において支配的なパラダイムになることを実証する。
  論文  参考訳（メタデータ） (2025-06-23T17:27:19Z)
• DeepShop: A Benchmark for Deep Research Shopping Agents [70.03744154560717]
  DeepShopは、複雑なリアルなオンラインショッピング環境でWebエージェントを評価するために設計されたベンチマークである。 5つの人気のあるオンラインショッピングドメインに多様なクエリを生成します。 エージェントの性能をきめ細かな面から評価する自動評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-03T13:08:17Z)
• Semantic Ads Retrieval at Walmart eCommerce with Language Models Progressively Trained on Multiple Knowledge Domains [6.1008328784394]
  Walmart.comの広告検索システムを最適化するために,エンド・ツー・エンドのソリューションを提案する。 当社のアプローチは,製品カテゴリ情報を用いたBERTライクな分類モデルを事前学習することである。 ベースラインDSSMベースのモデルと比較して,検索関連度を最大16%向上させる。
  論文  参考訳（メタデータ） (2025-02-13T09:01:34Z)
• Identifying High Consideration E-Commerce Search Queries [27.209699168631445]
  本稿では,Eコマースサイトにおけるハイリフレクション(HC)クエリを識別するために,EQR(Engagement-based Query Ranking)アプローチを提案する。 EQRは、人気信号よりも、顧客の行動、財務、カタログ情報に関連するクエリレベルの特徴を優先する。 モデルは商業的にデプロイされ、ダウンストリームの顧客への影響の観点から、人間の選択したクエリよりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-10-17T18:22:42Z)
• Learning to Rank for Multiple Retrieval-Augmented Models through Iterative Utility Maximization [21.115495457454365]
  本稿では,複数検索拡張世代(RAG)エージェントを対象とした統合検索エンジンの設計について検討する。 本稿では,検索エンジンがRAGエージェントの検索結果を生成し,オフラインフェーズにおいて検索した文書の品質に関するフィードバックを収集する反復的手法を提案する。 我々は、これをオンライン環境に適応させ、リアルタイムなエージェントのフィードバックに基づいて、検索エンジンがその振る舞いを洗練できるようにする。
  論文  参考訳（メタデータ） (2024-10-13T17:53:50Z)
• Exploring Query Understanding for Amazon Product Search [62.53282527112405]
  問合せ理解に基づくランキング機能がどのようにランキングに影響を及ぼすかを検討する。 ランク付けのためのクエリ理解に基づくマルチタスク学習フレームワークを提案する。 本研究は,Amazon Searchにおける実世界のシステムを用いた調査・調査である。
  論文  参考訳（メタデータ） (2024-08-05T03:33:11Z)
• Que2Engage: Embedding-based Retrieval for Relevant and Engaging Products at Facebook Marketplace [15.054431410052851]
  Que2Engageは、エンドツーエンド最適化のための検索とランキングのギャップを埋めるために構築された検索用EBRシステムである。 提案手法の有効性を,マルチタスク評価フレームワークと徹底的なベースライン比較およびアブレーション研究を通じて示す。
  論文  参考訳（メタデータ） (2023-02-21T23:10:16Z)

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。