論文の概要: GenFacet: End-to-End Generative Faceted Search via Multi-Task Preference Alignment in E-Commerce

• arxiv url: http://arxiv.org/abs/2603.19665v1
• Date: Fri, 20 Mar 2026 06:01:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.015614
• Title: GenFacet: End-to-End Generative Faceted Search via Multi-Task Preference Alignment in E-Commerce
• Title（参考訳）: GenFacet:Eコマースにおけるマルチタスク選好アライメントによるエンド・ツー・エンド生成顔検索
• Authors: Zhouwei Zhai, Min Yang, Jin Li,
• Abstract要約: 我々は、JD.comにデプロイされたエンドツーエンドの生成フレームワークであるGenFacetを紹介します。 GenFacetのリフレームは、統合された大言語モデル内の2つの結合した生成タスクとして検索に直面した。
• 参考スコア（独自算出の注目度）: 12.502808629463702
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Faceted search acts as a critical bridge for navigating massive ecommerce catalogs, yet traditional systems rely on static rule-based extraction or statistical ranking, struggling with emerging vocabulary, semantic gaps, and a disconnect between facet selection and underlying retrieval. In this paper, we introduce GenFacet, an industrial-grade, end-to-end generative framework deployed at JD.com. GenFacet reframes faceted search as two coupled generative tasks within a unified Large Language Model: Context-Aware Facet Generation, which dynamically synthesizes trend-responsive navigation options, and Intent-Driven Query Rewriting, which translates user interactions into precise search queries to close the retrieval loop. To bridge the gap between generative capabilities and search utility, we propose a novel multi-task training pipeline combining teacher-student distillation with GRPO. This aligns the model with complex user preferences by directly optimizing for downstream search satisfaction. Validated on China's largest selfoperated e-commerce platform via rigorous offline evaluations and online A/B tests, GenFacet demonstrated substantial improvements. Specifically, online results reveal a relative increase of 42.0% in facet Click-Through Rate (CTR) and 2.0% in User Conversion Rate (UCVR). These outcomes provide strong evidence of the benefits of generative methods for improving query understanding and user engagement in large-scale information retrieval systems.
• Abstract（参考訳）: 顔付き検索は大規模なeコマースカタログをナビゲートするための重要な橋として機能するが、従来のシステムは静的な規則に基づく抽出や統計的なランキングに依存しており、出現する語彙、意味的ギャップ、そして顔の選択と基盤となる検索の切り離しに苦労している。 本稿では,JD.comにデプロイされた産業レベルのエンドツーエンド生成フレームワークであるGenFacetを紹介する。 GenFacetのリフレームでは、検索を統合されたLarge Language Model内の2つの結合生成タスクとして、トレンド対応ナビゲーションオプションを動的に合成するContext-Aware Facet Generationと、ユーザのインタラクションを正確な検索クエリに変換して検索ループをクローズするIntent-Driven Query Rewritingの2つにまとめている。 生成能力と検索ユーティリティのギャップを埋めるために,教師・学生の蒸留とGRPOを組み合わせたマルチタスク学習パイプラインを提案する。 これにより、下流の検索満足度を直接最適化することで、モデルを複雑なユーザの好みに合わせることができる。 厳格なオフライン評価とオンラインA/Bテストを通じて、中国最大のセルフオペレーティングEコマースプラットフォームで検証されたGenFacetは、大幅に改善された。 具体的には、オンラインの結果は、CTR(Click-Through Rate)が42.0%、UCVR(User Conversion Rate)が2.0%の相対的な増加を示している。 これらの結果は、大規模情報検索システムにおけるクエリ理解とユーザエンゲージメントを改善するための生成手法の利点の強い証拠となる。

関連論文リスト

• GLASS: A Generative Recommender for Long-sequence Modeling via SID-Tier and Semantic Search [51.44490997013772]
  GLASSは、SID-TierとSemantic Searchを通じて、長期的なユーザ関心を生成プロセスに統合する新しいフレームワークである。 GLASSは2つの大規模実世界のデータセットの実験において最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-05T13:48:33Z)
• LEAPS: An LLM-Empowered Adaptive Plugin for Taobao AI Search [17.074638179635613]
  我々は,従来の検索システムを"Broaden-and-Empower"パラダイムでシームレスにアップグレードするLEAPS(LLM-Empowered Adaptive for Taobao AI Search)を提案する。 新たな3段階のトレーニング戦略 – 逆データ拡張,後知識による微調整,多様性を考慮した強化学習 – を採用して,適応的および補完的なクエリの組み合わせを生成する。 2025年8月以降、Taobao AI Searchに完全にデプロイされている。
  論文  参考訳（メタデータ） (2026-01-09T03:41:27Z)
• UniSearch: Rethinking Search System with a Unified Generative Architecture [20.448690421956023]
  UniSearchはKuaishou Searchのための統合された生成検索フレームワークである。 UniSearchは、カスケードパイプラインを、検索ジェネレータとビデオジェネレータを統合するエンドツーエンドアーキテクチャに置き換える。 産業規模のデータセットに関する大規模な実験と、短いビデオとライブ検索のシナリオにおけるオンラインA/Bテストは、UniSearchの強力な有効性とデプロイメントの可能性を示している。
  論文  参考訳（メタデータ） (2025-09-08T17:08:26Z)
• NExT-Search: Rebuilding User Feedback Ecosystem for Generative AI Search [108.42163676745085]
  NExT-Searchは、きめ細かいプロセスレベルのフィードバックを生成AI検索に再導入するために設計された次世代パラダイムである。 NExT-Searchは2つの補完モードを統合している。
  論文  参考訳（メタデータ） (2025-05-20T17:59:13Z)
• 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)
• Learning to Rank in Generative Retrieval [62.91492903161522]
  生成的検索は、検索対象として関連する通路の識別子文字列を生成することを目的としている。 我々はLTRGRと呼ばれる生成検索のための学習 torankフレームワークを提案する。 このフレームワークは、現在の生成的検索システムを強化するために、追加の学習からランクまでのトレーニングフェーズのみを必要とする。
  論文  参考訳（メタデータ） (2023-06-27T05:48:14Z)
• Unified Embedding Based Personalized Retrieval in Etsy Search [0.206242362470764]
  グラフ, 変換器, 項ベース埋め込みを終末に組み込んだ統合埋め込みモデルを学習することを提案する。 我々のパーソナライズされた検索モデルは、検索購入率5.58%、サイト全体のコンバージョン率2.63%によって、検索体験を著しく改善する。
  論文  参考訳（メタデータ） (2023-06-07T23:24:50Z)
• CorpusBrain: Pre-train a Generative Retrieval Model for Knowledge-Intensive Language Tasks [62.22920673080208]
  単一ステップ生成モデルは、検索プロセスを劇的に単純化し、エンドツーエンドで最適化することができる。 我々は、事前学習された生成検索モデルをCorpsBrainと名付け、コーパスに関する全ての情報が、追加のインデックスを構築することなく、そのパラメータにエンコードされる。
  論文  参考訳（メタデータ） (2022-08-16T10:22:49Z)

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。