論文の概要: LLM-based Semantic Search for Conversational Queries in E-commerce

• arxiv url: http://arxiv.org/abs/2601.16492v1
• Date: Fri, 23 Jan 2026 06:35:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.574467
• Title: LLM-based Semantic Search for Conversational Queries in E-commerce
• Title（参考訳）: LLMを用いたeコマースにおける会話クエリのセマンティック検索
• Authors: Emad Siddiqui, Venkatesh Terikuti, Xuan Lu,
• Abstract要約: 会話クエリからユーザ意図をキャプチャするLLMベースのセマンティック検索フレームワークを提案する。 本フレームワークは,実世界のデータセットのベースラインアプローチと比較して,様々な設定において高い精度とリコールを実現する。
• 参考スコア（独自算出の注目度）: 1.3645712130536118
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Conversational user queries are increasingly challenging traditional e-commerce platforms, whose search systems are typically optimized for keyword-based queries. We present an LLM-based semantic search framework that effectively captures user intent from conversational queries by combining domain-specific embeddings with structured filters. To address the challenge of limited labeled data, we generate synthetic data using LLMs to guide the fine-tuning of two models: an embedding model that positions semantically similar products close together in the representation space, and a generative model for converting natural language queries into structured constraints. By combining similarity-based retrieval with constraint-based filtering, our framework achieves strong precision and recall across various settings compared to baseline approaches on a real-world dataset.
• Abstract（参考訳）: 会話型のユーザクエリは、キーワードベースのクエリに最適化された検索システムが一般的である従来のEコマースプラットフォームにますます挑戦している。 ドメイン固有の埋め込みと構造化フィルタを組み合わせることで,会話クエリからユーザ意図を効果的にキャプチャするLLMベースのセマンティック検索フレームワークを提案する。 限定ラベル付きデータの課題に対処するため,LLMを用いて合成データを生成し,表現空間に近接する意味的に類似した製品を配置する埋め込みモデルと,自然言語クエリを構造化制約に変換する生成モデルという,2つのモデルの微調整を導く。 類似性に基づく検索と制約に基づくフィルタリングを組み合わせることで、実世界のデータセットのベースラインアプローチと比較して、様々な設定における強い精度とリコールを実現する。

関連論文リスト

• HyST: LLM-Powered Hybrid Retrieval over Semi-Structured Tabular Data [0.4779196219827507]
  HyST(Hybrid search over Semi-structured Tabular data)は、構造化フィルタリングとセマンティック埋め込み検索を組み合わせたハイブリッド検索フレームワークである。 半構造化ベンチマークにおいてHySTがトラジショナルベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-08-25T14:06:27Z)
• SEQ-GPT: LLM-assisted Spatial Query via Example [31.748396191422383]
  大規模言語モデル(LLM)を利用した空間問合せシステムSEQ-GPTを紹介する。 LLMはSEQプロセスにおける対話的な操作を可能にし、クエリの詳細を明確にし、ユーザからのフィードバックに基づいて検索を動的に調整する。 SEQ-GPTは、現実的なデータとアプリケーションシナリオで空間探索を広げるためのエンドツーエンドのデモを提供する。
  論文  参考訳（メタデータ） (2025-08-14T09:41:55Z)
• Large Language Models are Good Relational Learners [55.40941576497973]
  本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。 従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
  論文  参考訳（メタデータ） (2025-06-06T04:07:55Z)
• Leveraging LLMs to Enable Natural Language Search on Go-to-market Platforms [0.23301643766310368]
  販売者向けのZoominfo製品向けのソリューションの実装と評価を行い、自然言語による大規模言語モデルの実現を促す。 中間検索フィールドは、構文エラーの除去など、クエリ毎に多くの利点を提供する。 提案手法の有効性を実証するために, クローズド, オープンソース, 微調整 LLM モデルを用いた総合実験を行った。
  論文  参考訳（メタデータ） (2024-11-07T03:58:38Z)
• DynamicNER: A Dynamic, Multilingual, and Fine-Grained Dataset for LLM-based Named Entity Recognition [53.019885776033824]
  動的分類を伴うLarge Language Models (LLM) ベースの手法のために設計された最初のNERデータセットであるDynamicNERを提案する。 データセットは多言語および多言語で、8言語と155のエンティティタイプをカバーし、コーパスはさまざまなドメインにまたがる。 実験によると、DynamicNERはLLMベースのNERメソッドの堅牢で効果的なベンチマークとして機能している。
  論文  参考訳（メタデータ） (2024-09-17T09:32:12Z)
• CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  クロスモーダル検索は、異なるモーダルデータの相互作用を通じて、クエリと意味的に関連するインスタンスを検索することを目的としている。 従来のソリューションでは、クエリと候補の間のスコアを明示的に計算するために、シングルトウワーまたはデュアルトウワーのフレームワークを使用している。 粗大なセマンティックモデリングに基づく生成的クロスモーダル検索フレームワーク(CART)を提案する。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• UQE: A Query Engine for Unstructured Databases [71.49289088592842]
  構造化されていないデータ分析を可能にするために,大規模言語モデルの可能性を検討する。 本稿では,非構造化データ収集からの洞察を直接問合せ,抽出するUniversal Query Engine (UQE)を提案する。
  論文  参考訳（メタデータ） (2024-06-23T06:58:55Z)
• Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity [59.57065228857247]
  Retrieval-augmented Large Language Models (LLMs) は、質問回答(QA)のようなタスクにおける応答精度を高めるための有望なアプローチとして登場した。 本稿では,クエリの複雑さに基づいて,LLMの最適戦略を動的に選択できる適応型QAフレームワークを提案する。 オープンドメインのQAデータセットを用いて、複数のクエリの複雑さを網羅し、QAシステムの全体的な効率性と精度を高めることを示す。
  論文  参考訳（メタデータ） (2024-03-21T13:52:30Z)

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。