論文の概要: K-CARE: Knowledge-driven Symmetrical Contextual Anchoring and Analogical Prototype Reasoning for E-commerce Relevance

• arxiv url: http://arxiv.org/abs/2604.25683v1
• Date: Tue, 28 Apr 2026 14:12:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.895275
• Title: K-CARE: Knowledge-driven Symmetrical Contextual Anchoring and Analogical Prototype Reasoning for E-commerce Relevance
• Title（参考訳）: K-CARE:Eコマース関連のための知識駆動型対称文脈アンコリングと分析的プロトタイプ推論
• Authors: Chen Yifei, Tian Zhixing, Wang Chenyang, Cheng Ziguang,
• Abstract要約: K-CAREは,外部知識の推論を基礎として,モデルの認知範囲を拡大するフレームワークである。 大規模なオフライン評価と主要なeコマースプラットフォーム上でのオンラインA/Bテストは、K-CAREが最先端のベースラインを大幅に上回っていることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper targets e-commerce search relevance. While Large Language Models (LLMs) have demonstrated significant potential in this field, they often encounter performance bottlenecks in persistent 'corner cases' within complex industrial scenarios. Existing research primarily focuses on optimizing reasoning trajectories via Reinforcement Learning. However, real-world observations suggest that the primary bottleneck stems from knowledge boundaries, where the absence of domain-specific intelligence in the model's parametric memory creates a contextual void. This void persists when interpreting idiosyncratic queries or niche products and cannot be resolved solely through reasoning-path optimization. To bridge this gap, we propose K-CARE, a framework that extends the model's cognitive reach by grounding reasoning in external knowledge. K-CARE comprises two synergistic components: (1) Symmetrical Contextual Anchoring (SCA), which fills the contextual void by anchoring queries and products with behavior-derived implicit knowledge; and (2) Analogical Prototype Reasoning (APR), which leverages expert-curated prototypical knowledge to calibrate decision boundaries through in-context analogy. Extensive offline evaluations and online A/B tests on a leading e-commerce platform demonstrate that K-CARE significantly outperforms state-of-the-art baselines, delivering substantial commercial impact by resolving knowledge-intensive relevance challenges.
• Abstract（参考訳）: 本稿では,eコマースの検索関連性について述べる。 大規模言語モデル(LLM)はこの分野で大きな可能性を示してきたが、複雑な産業シナリオにおいて、永続的な「コーナーケース」でパフォーマンス上のボトルネックに遭遇することがしばしばある。 既存の研究は主に強化学習による推論軌道の最適化に重点を置いている。 しかし、実世界の観測では、主要なボトルネックは知識境界に起因し、モデルのパラメトリックメモリにドメイン固有の知性がないことが文脈的空白を生み出すことが示唆されている。 この空白は、慣用的なクエリやニッチな製品を解釈する際に持続し、推論パス最適化のみでは解決できない。 このギャップを埋めるために、外部知識の推論を基礎にしてモデルの認知範囲を拡大するフレームワークであるK-CAREを提案する。 K-CARE は,(1) クエリや製品に行動に起因した暗黙的知識を固定することで,文脈空白を埋める対称性的コンテキストアンコリング (SCA) ,(2) 専門家による原型的知識を活用し,文脈内類似による意思決定境界の校正を行うAPR (Analogical Prototype Reasoning) の2つの相乗的要素から構成される。 大規模なオフライン評価と、主要なeコマースプラットフォーム上でのオンラインA/Bテストは、K-CAREが最先端のベースラインを著しく上回り、知識集約的な関連性の課題を解決することで、商業的影響をもたらすことを示している。

関連論文リスト

• Thinking Broad, Acting Fast: Latent Reasoning Distillation from Multi-Perspective Chain-of-Thought for E-Commerce Relevance [13.92735028342748]
  最適化パイプライン全体を通してChain-of-Thought(CoT)セマンティクスをうまく活用する新しいフレームワークを提案する。 蒸留にはLatent Reasoning Knowledge Distillation (LRKD)を導入する。 提案手法は,商業的パフォーマンスとユーザエクスペリエンスの両方において明らかなメリットを示すとともに,オフラインでの大幅な向上を実現している。
  論文  参考訳（メタデータ） (2026-01-29T12:14:44Z)
• KAG-Thinker: Interactive Thinking and Deep Reasoning in LLMs via Knowledge-Augmented Generation [35.555200530999365]
  我々は、KAG-Thinkerを導入し、KAGをマルチターン対話型思考と、専用パラメータライト大言語モデル(LLM)を利用した深い推論フレームワークにアップグレードする。 提案手法は,複雑な問題を解くための構造化思考プロセスを構築し,推論過程の論理的一貫性と文脈的整合性を高める。
  論文  参考訳（メタデータ） (2025-06-21T14:58:53Z)
• Two Experts Are All You Need for Steering Thinking: Reinforcing Cognitive Effort in MoE Reasoning Models Without Additional Training [86.70255651945602]
  我々はReinforcecing Cognitive Experts(RICE)と呼ばれる新しい推論時ステアリング手法を導入する。 RICEは、追加のトレーニングや複雑化なしに推論のパフォーマンスを改善することを目的としている。 先行する MoE ベースの LRM を用いた経験的評価は、推論精度、認知効率、ドメイン間の一般化において顕著で一貫した改善を示す。
  論文  参考訳（メタデータ） (2025-05-20T17:59:16Z)
• KERAIA: An Adaptive and Explainable Framework for Dynamic Knowledge Representation and Reasoning [46.85451489222176]
  KERAIAはシンボリックナレッジエンジニアリングのための新しいフレームワークとソフトウェアプラットフォームである。 動的で複雑でコンテキストに敏感な環境で知識を表現、推論、実行するという永続的な課題に対処する。
  論文  参考訳（メタデータ） (2025-05-07T10:56:05Z)
• A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
  推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。 大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。 我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
  論文  参考訳（メタデータ） (2025-04-12T01:27:49Z)
• GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。 GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)
• MR-Ben: A Meta-Reasoning Benchmark for Evaluating System-2 Thinking in LLMs [55.20845457594977]
  大規模言語モデル(LLM)は、問題解決と意思決定の能力の向上を示している。 本稿ではメタ推論技術を必要とするプロセスベースのベンチマークMR-Benを提案する。 メタ推論のパラダイムは,システム2のスロー思考に特に適しています。
  論文  参考訳（メタデータ） (2024-06-20T03:50:23Z)
• Robust Interaction-Based Relevance Modeling for Online e-Commerce Search [8.499253194630665]
  従来のテキストマッチング技術は、検索意図のニュアンスを正確に捉えることができない。 このような欠点に対処するために、ロバストなインタラクションベースのモデリングパラダイムを導入します。 我々の知る限りでは、この手法は大規模なeコマース検索関連性計算のための対話に基づく最初のアプローチである。
  論文  参考訳（メタデータ） (2024-06-04T09:24:04Z)

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。