論文の概要: Unified Supervision for Walmart's Sponsored Search Retrieval via Joint Semantic Relevance and Behavioral Engagement Modeling

• arxiv url: http://arxiv.org/abs/2604.07930v3
• Date: Wed, 15 Apr 2026 05:40:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 13:09:57.342753
• Title: Unified Supervision for Walmart's Sponsored Search Retrieval via Joint Semantic Relevance and Behavioral Engagement Modeling
• Title（参考訳）: 共同意味関係と行動エンゲージメントモデリングによるウォルマートのスポンサー検索検索のための統一的スーパービジョン
• Authors: Shasvat Desai, Md Omar Faruk Rokon, Jhalak Nilesh Acharya, Isha Shah, Hong Yao, Utkarsh Porwal, Kuang-chih Lee,
• Abstract要約: 本稿では,ウォルマートが支援するeコマースにおける検索検索のためのバイエンコーダトレーニングフレームワークを提案する。 意味的関連性(semantic Relevance)を主要な監視信号として使用し、関連する項目の優先信号としてのみ使用します。 本手法は,オフライン評価とオンラインABテストの両方において,現在の生産システムより優れている。
• 参考スコア（独自算出の注目度）: 5.167327964319347
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern search systems rely on a fast first stage retriever to fetch relevant items from a massive catalog of items. Deployed search systems often use user engagement signals to supervise bi-encoder retriever training at scale, because these signals are continuously logged from real traffic and require no additional annotation effort. However, engagement is an imperfect proxy for semantic relevance. Items may receive interactions due to popularity, promotion, attractive visuals, titles, or price, despite weak query-item relevance. These limitations are further accentuated in Walmart's e-commerce sponsored search. User engagement on ad items is often structurally sparse because the frequency with which an ad is shown depends on factors beyond relevance such as whether the advertiser is currently running that ad, the outcome of the auction for available ad slots, bid competitiveness, and advertiser budget. Thus, even highly relevant query ad pairs can have limited engagement signals simply due to limited impressions. We propose a bi-encoder training framework for Walmart's sponsored search retrieval in e-commerce that uses semantic relevance as the primary supervision signal, with engagement used only as a preference signal among relevant items. Concretely, we construct a context-rich training target by combining 1. graded relevance labels from a cascade of cross-encoder teacher models, 2. a multichannel retrieval prior score derived from the rank positions and cross-channel agreement of retrieval systems running in production, and 3. user engagement applied only to semantically relevant items to refine preferences. Our approach outperforms the current production system in both offline evaluation and online AB tests, yielding consistent gains in average relevance and NDCG.
• Abstract（参考訳）: 現代の検索システムは、大量のアイテムカタログから関連アイテムを取り出すために、高速なファーストステージレトリバーに依存している。 展開されたサーチシステムは、しばしばユーザエンゲージメント信号を使用して、双方向エンコーダレトリバーのトレーニングを大規模に監視する。 しかし、エンゲージメントは意味的関連性の不十分なプロキシである。 アイテムは、人気、プロモーション、魅力的なビジュアル、タイトル、価格によって相互作用を受けられるが、クエリ関連性は弱い。 これらの制限は、Walmartのeコマース支援検索でさらに強調されている。 広告商品のユーザエンゲージメントは、広告を表示する頻度が、現在広告を実行しているかどうか、利用可能な広告スロットのオークションの結果、入札競争性、広告主予算など、関連性を超えた要因に依存するため、構造的に疎いことが多い。 したがって、非常に関連性の高いクエリ広告ペアであっても、単に印象が限られているため、エンゲージメント信号が制限される可能性がある。 本稿では,ウォルマートが支援するeコマースにおける検索検索のためのバイエンコーダトレーニングフレームワークを提案する。 具体的には,コンテキストに富んだ学習目標を組み合わせて構築する。 一 クロスエンコーダ教師モデルのカスケードからの格付け関連ラベル 2 生産中の検索システムのランク位置及びクロスチャンネル合意から導かれる多チャンネル検索先行スコア及び 3 ユーザエンゲージメントは、嗜好を洗練させるために意味のある項目にのみ適用される。 提案手法はオフライン評価とオンラインABテストの両方において現在の生産システムよりも優れており,平均的妥当性とNDCGでは一貫した利得が得られる。

関連論文リスト

• One Model, Two Markets: Bid-Aware Generative Recommendation [7.863030229448138]
  本稿では,商品関連性と収益化目標を直接生成シーケンスに統合する統合フレームワークを提案する。 制御トークンを導入し、どの項目から広告を表示するかの決定を分離する。 また,リアルタイムな価格設定処理を行うBid-Aware Decoding機構を考案し,推論プロセスに直接入札を注入し,高価値項目に対する評価を行う。
  論文  参考訳（メタデータ） (2026-03-23T17:27:59Z)
• Practice on Long Behavior Sequence Modeling in Tencent Advertising [75.65309022911994]
  時系列モデリングは,ユーザの長期的嗜好を捉えるためのレコメンデーションシステムにおいて,欠かせないフロンティアとなっている。 長周期モデリングのための2段階フレームワークの実践的アプローチをいくつか提案する。 Tencentの大規模広告プラットフォーム上で本番環境にデプロイされた当社のイノベーションは、大幅なパフォーマンス向上を実現しました。
  論文  参考訳（メタデータ） (2025-09-10T06:55:57Z)
• Bidding-Aware Retrieval for Multi-Stage Consistency in Online Advertising [30.108437268612438]
  Bidding-Aware Retrieval (BAR) はモデルベースの検索フレームワークであり、検索スコア関数に広告入札値を組み込むことで、多段階の不整合に対処する。 BARの中核となる革新はビディン・アウェア・モデリング(Bidding-Aware Modeling)であり、経済的に一貫性のある表現を確保するために単調な学習とマルチタスクの蒸留を通じて入札信号を取り入れている。 大規模なオフライン実験とAlibabaのディスプレイ広告プラットフォームへのフルスケール展開により、BARの有効性が検証された。
  論文  参考訳（メタデータ） (2025-08-07T09:43:34Z)
• EgoPrompt: Prompt Learning for Egocentric Action Recognition [49.12318087940015]
  EgoPromptは、エゴセントリックな行動認識タスクを実行するための、素早い学習ベースのフレームワークである。 EgoPromptは、内部データセット、クロスデータセット、ベース・ツー・ノーベルの一般化ベンチマークで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-08-05T09:47:07Z)
• HCMRM: A High-Consistency Multimodal Relevance Model for Search Ads [10.61722566941537]
  本稿では,広告システムにおけるランク付けの有効性を高めるために,クエリ・ツー・ビデオの関連性マッチングの改善に焦点をあてる。 これは、トレーニング前タスクと関連タスクの整合性を高めるために、シンプルだが効果的な方法を利用している。 提案手法はクアイシュ州検索広告システムに1年以上展開され、無関係広告の割合が6.1%減少し、広告収入が1.4%増加した。
  論文  参考訳（メタデータ） (2025-02-09T09:07:11Z)
• Middleman Bias in Advertising: Aligning Relevance of Keyphrase Recommendations with Search [4.275764895529604]
  本稿では,クリック/セール信号の学習関連度フィルタモデルの欠点について述べる。 我々は,2つの動的システム間の相互作用として,広告主のキーフレーズの関連性を再認識する。 本稿では,検索関連システムのバイアスと,広告主のキーワードを検索関連信号と整合させる必要性について論じる。
  論文  参考訳（メタデータ） (2025-01-31T19:28:26Z)
• ReAct: Temporal Action Detection with Relational Queries [84.76646044604055]
  本研究は,アクションクエリを備えたエンコーダ・デコーダフレームワークを用いて,時間的行動検出(TAD)の進展を図ることを目的とする。 まず,デコーダ内の関係注意機構を提案し,その関係に基づいてクエリ間の関心を誘導する。 最後に、高品質なクエリを区別するために、推論時に各アクションクエリのローカライズ品質を予測することを提案する。
  論文  参考訳（メタデータ） (2022-07-14T17:46:37Z)
• Incentives for Item Duplication under Fair Ranking Policies [69.14168955766847]
  重複が存在する場合の様々な公正ランキングポリシーの振る舞いについて検討する。 適合性にのみ焦点を絞った政策よりも、重複を動機付ける可能性を秘めているため、公正を意識したランキングポリシーは多様性と矛盾する可能性がある。
  論文  参考訳（メタデータ） (2021-10-29T11:11:15Z)
• Compositional Attention: Disentangling Search and Retrieval [66.7108739597771]
  Multi-head, key-value attention は Transformer モデルとそのバリエーションのバックボーンである。 標準的なアテンションヘッドは、検索と検索の間の厳密なマッピングを学ぶ。 本稿では,標準ヘッド構造を置き換える新しいアテンション機構であるコンポジションアテンションアテンションを提案する。
  論文  参考訳（メタデータ） (2021-10-18T15:47:38Z)

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。