論文の概要: AIGQ: An End-to-End Hybrid Generative Architecture for E-commerce Query Recommendation

• arxiv url: http://arxiv.org/abs/2603.19710v1
• Date: Fri, 20 Mar 2026 07:27:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.039863
• Title: AIGQ: An End-to-End Hybrid Generative Architecture for E-commerce Query Recommendation
• Title（参考訳）: AIGQ:Eコマースクエリレコメンデーションのためのエンドツーエンドハイブリッド生成アーキテクチャ
• Authors: Jingcao Xu, Jianyun Zou, Renkai Yang, Zili Geng, Qiang Liu, Haihong Tang,
• Abstract要約: タオバオのホームページ上のHintQとして広く知られている事前検索クエリレコメンデーションは、意図的捕獲と需要発見において重要な役割を担っている。 これらの課題を克服するために、HintQシナリオの最初のエンドツーエンド生成フレームワークであるAIGQを提案する。
• 参考スコア（独自算出の注目度）: 9.218475190088734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pre-search query recommendation, widely known as HintQ on Taobao's homepage, plays a vital role in intent capture and demand discovery, yet traditional methods suffer from shallow semantics, poor cold-start performance and low serendipity due to reliance on ID-based matching and co-click heuristics. To overcome these challenges, we propose AIGQ (AI-Generated Query architecture), the first end-to-end generative framework for HintQ scenario. AIGQ is built upon three core innovations spanning training paradigm, policy optimization and deployment architecture. First, we propose Interest-Aware List Supervised Fine-Tuning (IL-SFT), a list-level supervised learning approach that constructs training samples through session-aware behavior aggregation and interest-guided re-ranking strategy to faithfully model nuanced user intent. Accordingly, we design Interest-aware List Group Relative Policy Optimization (IL-GRPO), a novel policy gradient algorithm with a dual-component reward mechanism that jointly optimizes individual query relevance and global list properties, enhanced by a model-based reward from the online click-through rate (CTR) ranking model. To deploy under strict real-time and low-latency requirements, we further develop a hybrid offline-online architecture comprising AIGQ-Direct for nearline personalized user-to-query generation and AIGQ-Think, a reasoning-enhanced variant that produces trigger-to-query mappings to enrich interest diversity. Extensive offline evaluations and large-scale online A/B experiments on Taobao demonstrate that AIGQ consistently delivers substantial improvements in key business metrics across platform effectiveness and user engagement.
• Abstract（参考訳）: タオバオのホームページ上のHintQとして知られる事前検索クエリレコメンデーションは、意図的捕獲と需要発見において重要な役割を果たすが、従来の手法では、IDベースのマッチングとコクリックヒューリスティックに依存するため、浅いセマンティクス、低いコールトスタートパフォーマンス、セレンディピティに悩まされている。 これらの課題を克服するために、HintQシナリオの最初のエンドツーエンド生成フレームワークであるAIGQ(AI-Generated Query Architecture)を提案する。 AIGQは、トレーニングパラダイム、ポリシー最適化、デプロイメントアーキテクチャにまたがる3つのコアイノベーションの上に構築されている。 まず、セッション認識行動アグリゲーションと興味誘導型ユーザ意図を忠実にモデル化する再評価戦略により、トレーニングサンプルを構築するリストレベルの教師あり学習手法であるIL-SFT(Interest-Aware List Supervised Fine-Tuning)を提案する。 そこで我々は,オンラインクリックスルーレート(CTR)ランキングモデルによるモデルベース報酬により強化された,個別クエリ関連性とグローバルリスト特性を協調的に最適化する2成分報酬機構を備えた新しいポリシー勾配アルゴリズム,IL-GRPOを設計した。 厳密なリアルタイム・低レイテンシ要求下でのデプロイを実現するため,ユーザ・ツー・クエリ生成のためのAIGQ-Directと,興味の多様性を高めるためのトリガ・ツー・クエリ・マッピングを生成する推論強化版であるAIGQ-Thinkを組み合わせたハイブリッドオフライン・オンライン・アーキテクチャを開発した。 Taobaoでの大規模なオフライン評価と大規模なオンラインA/B実験は、AIGQがプラットフォームの有効性とユーザエンゲージメントにまたがる主要なビジネスメトリクスを継続的に改善していることを示している。

関連論文リスト

• RankGR: Rank-Enhanced Generative Retrieval with Listwise Direct Preference Optimization in Recommendation [36.297513746770456]
  提案するRangGRは、リストワイズ直接選好最適化をレコメンデーションに組み込んだジェネレーティブ検索手法である。 IAPでは、新しいリストワイズ直接選好最適化戦略をGRに組み込んで、階層的ユーザの選好をより包括的に理解する。 トレーニングとデプロイメントにおいていくつかの実践的な改善を実現し、最終的には毎秒1万近いリクエストを処理可能なリアルタイムシステムを実現しています。
  論文  参考訳（メタデータ） (2026-02-09T12:13:43Z)
• Unifying Ranking and Generation in Query Auto-Completion via Retrieval-Augmented Generation and Multi-Objective Alignment [8.610245271469267]
  クエリオートコンプリート(QAC)では,ユーザが入力するクエリ補完が提案されている。 伝統的なレトリート・アンド・ランクパイプラインは、長い尾のカバレッジが限られており、広範な機能エンジニアリングを必要としている。 本稿では,QACをRAG(Retrieval-Augmented Generation)とDPO(Multi-objective Direct Preference Optimization)を通じて,エンドツーエンドのリスト生成として再構成する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-01T05:15:07Z)
• GPR: Towards a Generative Pre-trained One-Model Paradigm for Large-Scale Advertising Recommendation [38.48999566011862]
  GPR(Generative Pre-trained Recommender)は,広告推薦をエンドツーエンド生成タスクとして再定義するワンモデルフレームワークである。 統一表現、ネットワークアーキテクチャ、トレーニング戦略にまたがる3つの重要なイノベーションを紹介します。 GPRはTencent Weixin Channelsの広告システムに完全にデプロイされており、主要なビジネスメトリクスを大幅に改善している。
  論文  参考訳（メタデータ） (2025-11-13T09:50:53Z)
• Rethinking On-policy Optimization for Query Augmentation [49.87723664806526]
  本稿では,様々なベンチマークにおいて,プロンプトベースとRLベースのクエリ拡張の最初の体系的比較を示す。 そこで我々は,検索性能を最大化する擬似文書の生成を学習する,新しいハイブリッド手法 On-policy Pseudo-document Query Expansion (OPQE) を提案する。
  論文  参考訳（メタデータ） (2025-10-20T04:16:28Z)
• Unleash LLMs Potential for Recommendation by Coordinating Twin-Tower Dynamic Semantic Token Generator [60.07198935747619]
  動的セマンティック・インデックス・パラダイムを採用した最初の生成型RSであるTTDS(Twin-Tower Dynamic Semantic Recommender)を提案する。 より具体的には、ツイン・トワー・セマンティック・トークン・ジェネレータをLLMベースのレコメンデータに統合する動的知識融合フレームワークを初めて提案する。 提案したTTDSレコメンデータは,平均19.41%のヒットレート,20.84%のNDCG測定値を実現している。
  論文  参考訳（メタデータ） (2024-09-14T01:45:04Z)
• 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)
• RnG-KBQA: Generation Augmented Iterative Ranking for Knowledge Base Question Answering [57.94658176442027]
  KBQAのランク・アンド・ジェネレートアプローチであるRnG-KBQAを提案する。 我々はGrailQA と WebQSP データセット上で,最先端の新たな結果を得る。
  論文  参考訳（メタデータ） (2021-09-17T17:58:28Z)
• AutoBERT-Zero: Evolving BERT Backbone from Scratch [94.89102524181986]
  そこで本稿では,提案するハイブリッドバックボーンアーキテクチャを自動検索するOP-NASアルゴリズムを提案する。 提案するOP-NASの効率を向上させるために,探索アルゴリズムと候補モデルの評価を最適化する。 実験の結果、検索されたアーキテクチャ(AutoBERT-Zero)は、様々な下流タスクにおいてBERTとそのバリエーションの異なるモデル容量を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-07-15T16:46:01Z)
• CRACT: Cascaded Regression-Align-Classification for Robust Visual Tracking [97.84109669027225]
  改良された提案改良モジュールCascaded Regression-Align- Classification (CRAC)を導入する。 CRACは多くのベンチマークで最先端のパフォーマンスを得る。 OTB-2015、UAV123、NfS、VOT-2018、TrackingNet、GOT-10k、LaSOTを含む7つのベンチマークの実験において、我々のCRACTは最先端の競合他社と比較して非常に有望な結果を示している。
  論文  参考訳（メタデータ） (2020-11-25T02:18:33Z)

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。