論文の概要: Rules, Resources, and Restrictions: A Taxonomy of Task-Based Information Request Intents

• arxiv url: http://arxiv.org/abs/2601.12985v1
• Date: Mon, 19 Jan 2026 11:59:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.88979
• Title: Rules, Resources, and Restrictions: A Taxonomy of Task-Based Information Request Intents
• Title（参考訳）: ルール・リソース・制限:タスクベース情報要求の分類
• Authors: Melanie A. Kilian, David Elsweiler,
• Abstract要約: クエリインテントに対するタスクベースの視点の強化を議論する。 本稿では,従来のクエリ指向アプローチと,AIによるタスク指向検索の新たな需要とのギャップを埋める,タスクベースの情報要求意図の分類法を提案する。
• 参考スコア（独自算出の注目度）: 0.6946929968559497
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding and classifying query intents can improve retrieval effectiveness by helping align search results with the motivations behind user queries. However, existing intent taxonomies are typically derived from system log data and capture mostly isolated information needs, while the broader task context often remains unaddressed. This limitation becomes increasingly relevant as interactions with Large Language Models (LLMs) expand user expectations from simple query answering toward comprehensive task support, for example, with purchasing decisions or in travel planning. At the same time, current LLMs still struggle to fully interpret complex and multifaceted tasks. To address this gap, we argue for a stronger task-based perspective on query intent. Drawing on a grounded-theory-based interview study with airport information clerks, we present a taxonomy of task-based information request intents that bridges the gap between traditional query-focused approaches and the emerging demands of AI-driven task-oriented search.
• Abstract（参考訳）: クエリインテントの理解と分類は、検索結果とユーザクエリの背後にあるモチベーションの整合化を支援することで、検索効率を向上させることができる。 しかし、既存の意図的分類はシステムログデータから派生し、主に孤立した情報のニーズを捉えている。 LLM(Large Language Models)とのインタラクションは、単純なクエリ応答から、購入決定や旅行計画といった包括的なタスクサポートへのユーザの期待を拡大するにつれて、この制限はますます重要になる。 同時に、現在のLLMは、複雑で多面的なタスクを完全に解釈するのに苦戦している。 このギャップに対処するため、クエリーインテントに対するタスクベースの視点を強く主張する。 空港情報係員による基礎理論に基づくインタビュー研究に基づいて,従来の問合せに焦点を絞ったアプローチと,AIによるタスク指向検索の新たな需要とのギャップを埋めるタスクベースの情報要求意図の分類を提示する。

関連論文リスト

• 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)
• Powering Job Search at Scale: LLM-Enhanced Query Understanding in Job Matching Systems [10.9341814749217]
  LLM(Large Language Model)を利用した統合クエリ理解フレームワークを提案する。 提案手法は,ユーザクエリとプロファイル属性などのコンテキスト信号とを共同でモデル化し,構造化された解釈を生成する。 このフレームワークは、オンラインA/Bテストにおける関連品質を改善し、システムの複雑さを著しく低減する。
  論文  参考訳（メタデータ） (2025-08-19T21:35:43Z)
• Holistically Guided Monte Carlo Tree Search for Intricate Information Seeking [118.3983437282541]
  我々は,モンテカルロ木探索 (HG-MCTS) を用いた新たな情報探索パラダイムを採用したLLMベースの検索アシスタントを提案する。 本稿では,知識メモリを用いたプログレッシブ情報収集プロセスとしてタスクを再構築し,適応型チェックリストとMCTSのマルチパースペクティブ報酬モデルとを結合する。 マルチパースペクティブ報酬モデリングは、探索と検索の両方の報奨と、完了と残るサブゴールを追跡する進捗フィードバックを提供する。
  論文  参考訳（メタデータ） (2025-02-07T08:36:39Z)
• Redefining Information Retrieval of Structured Database via Large Language Models [10.117751707641416]
  本稿では,ChatLRと呼ばれる新しい検索拡張フレームワークを提案する。 主に、Large Language Models (LLM) の強力な意味理解能力を用いて、正確かつ簡潔な情報検索を実現する。 実験の結果、ChatLRがユーザクエリに対処する効果を示し、全体の情報検索精度は98.8%を超えた。
  論文  参考訳（メタデータ） (2024-05-09T02:37:53Z)
• Graph Enhanced BERT for Query Understanding [55.90334539898102]
  クエリ理解は、ユーザの検索意図を探索し、ユーザが最も望まれる情報を発見できるようにする上で、重要な役割を果たす。 近年、プレトレーニング言語モデル (PLM) は様々な自然言語処理タスクを進歩させてきた。 本稿では,クエリコンテンツとクエリグラフの両方を活用可能な,グラフ強化事前学習フレームワークGE-BERTを提案する。
  論文  参考訳（メタデータ） (2022-04-03T16:50:30Z)

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。