論文の概要: Efficient Generative Retrieval for E-commerce Search with Semantic Cluster IDs and Expert-Guided RL

• arxiv url: http://arxiv.org/abs/2605.14434v1
• Date: Thu, 14 May 2026 06:27:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.661266
• Title: Efficient Generative Retrieval for E-commerce Search with Semantic Cluster IDs and Expert-Guided RL
• Title（参考訳）: セマンティッククラスタIDとエキスパートガイドRLを用いたEコマース検索の効率的な生成検索
• Abstract要約: 生成検索は、断片化された多段階検索プロセスを単一のエンドツーエンドモデルに統一することで、有望な代替手段を提供する。 本稿では,実世界のリコールシナリオに適した検索フレームワークを提案し,生成的検索をエンド・ツー・エンドの置き換えではなく,リコール・ステージ・サプリメントとして位置付ける。
• 参考スコア（独自算出の注目度）: 8.046510111008638
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative retrieval offers a promising alternative by unifying the fragmented multi-stage retrieval process into a single end-to-end model. However, its practical adoption in industrial e-commerce search remains challenging, given the massive and dynamic product catalogs, strict latency requirements, and the need to align retrieval with downstream ranking goals. In this work, we propose a retrieval framework tailored for real-world recall scenarios, positioning generative retrieval as a recall-stage supplement rather than an end-to-end replacement. Our method, CQ-SID (Category-and-Query constrained Semantic ID), employs category-aware and query-item contrastive learning along with Residual Quantized VAEs to encode items into hierarchical semantic cluster identifiers, significantly reducing beam search complexity. Additionally, we develop EG-GRPO (Expert-Guided Group Relative Policy Optimization), a reinforcement learning approach that aligns generative recall with downstream ranking under sparse rewards by injecting ground-truth samples to stabilize training. Offline experiments on TmallAPP search logs show that CQ-SID achieves up to 26.76% and 11.11% relative gains in semantic and personalized click hitrate over RQ-VAE baselines, while halving beam search size. EG-GRPO further improves multi-objective performance. Online A/B tests confirm gains in GMV (+1.15%) and UCTCVR (+0.40%). The generative recall channel now contributes substantially in production, accounting for over 50.25% of exposures, 58.96% of clicks, and 72.63% of purchases, demonstrating a viable path for deploying generative retrieval in real-world e-commerce systems.
• Abstract（参考訳）: 生成検索は、断片化された多段階検索プロセスを単一のエンドツーエンドモデルに統一することで、有望な代替手段を提供する。 しかし、大規模でダイナミックな製品カタログ、厳格なレイテンシ要件、検索を下流ランキングの目標と整合させる必要性を考えれば、産業用eコマースサーチへの実践的な採用は依然として困難である。 本研究では,実世界のリコールシナリオに適した検索フレームワークを提案し,生成的検索をエンド・ツー・エンドの置き換えではなく,リコール・ステージ・サプリメントとして位置づける。 我々の手法であるCQ-SID(Category-and-Query constrained Semantic ID)では、カテゴリ認識とクエリイテムの対照的な学習とResidual Quantized VAEを用いて、アイテムを階層的なセマンティッククラスタ識別子にエンコードし、ビーム探索の複雑さを大幅に低減する。 また, 提案手法は, 学習を安定させるために, 接地トラスサンプルを注入することにより, 遺伝的リコールと低報酬下での下流ランキングを整合させる強化学習手法であるEG-GRPO(Expert-Guided Group Relative Policy Optimization)を開発した。 TmallAPPサーチログのオフライン実験により、CQ-SIDはRQ-VAEベースラインよりもセマンティックでパーソナライズされたクリックヒット率で最大26.76%、11.11%向上し、ビームサーチサイズは半減した。 EG-GRPOは多目的性能をさらに向上させる。 オンラインA/Bテストでは、GMV(+1.15%)とUCTCVR(+0.40%)の上昇が確認されている。 再生リコールチャネルは現在、50.25%以上の露出、58.96%のクリック、72.63%の購入で生産に大きく貢献しており、実際のeコマースシステムに生成検索を展開するための有効な道筋を示している。

関連論文リスト

• VARG: Value-Aware and Ranking-Aligned Generative Retrieval for Dynamic E-commerce Search [7.64283018838172]
  VARGはTmall App検索用の生成検索システムで、生成したアイテム候補を既存の最終ランク付け者に直接承認する。 3段階の教師による微調整は、アイテム・ツー・アイデンティティーのマッピング、クエリ・セマンティック検索、パーソナライズされた検索を徐々に学習する。 Prefix-GRPOは、出力の合法性、ユーザ行動、ランキングの優位性、検索関連性に基づくゲート報酬とプレフィックス対応トークン重み付けを組み合わせ、候補生成をビジネス価値とランキング目標に整合させる。
  論文  参考訳（メタデータ） (2026-09-13T12:59:04Z)
• TSGR: Taobao Search Generative Retrieval [32.4338892898415]
  アイテム表現と候補ランキングの両方に価値意識を組み込んだ統合生成検索フレームワークを提案する。 $textbfT$aobao $textbfS$earch $textbfG$enerative $textbfR$etrieval$textbfTSGR$ GRで構築され、共同で最適化された$textbfVRM$により、単一のモデルをレトリバーとプリランカの両方としてシームレスに機能させることができる。
  論文  参考訳（メタデータ） (2026-07-21T07:17:43Z)
• CoSearch: Joint Training of Reasoning and Document Ranking via Reinforcement Learning for Agentic Search [51.911048955965136]
  CoSearchは多段階推論エージェントと生成ドキュメントランキングモデルを共同でトレーニングするフレームワークである。 この結果から, 推論エージェントと検索システムの協調訓練は, 実現可能であり, 性能も高いことが示唆された。
  論文  参考訳（メタデータ） (2026-04-19T17:48:17Z)
• GenFacet: End-to-End Generative Faceted Search via Multi-Task Preference Alignment in E-Commerce [12.502808629463702]
  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。
  論文  参考訳（メタデータ） (2026-03-20T06:01:01Z)
• Test-Time Strategies for More Efficient and Accurate Agentic RAG [58.44913384057518]
  Retrieval-Augmented Generation (RAG) システムは複雑なマルチホップ問題に直面している。 このような手法は、以前に処理された情報の反復的な検索を含む非効率性を導入することができる。 本稿では,これらの問題を軽減するために,サーチ-R1パイプラインに対するテスト時間修正について検討する。
  論文  参考訳（メタデータ） (2026-03-12T19:18:59Z)
• Aligning Large Language Models with Searcher Preferences [26.974618053554394]
  オープンな生成検索のための最初の大規模言語モデル(LLM)であるSearchLLMを紹介する。 ボトムライン制約を分離する階層型多次元報酬システムの設計を行う。 オフライン評価とオンラインA/Bテストでは、生成品質とユーザエンゲージメントが改善されている。
  論文  参考訳（メタデータ） (2026-03-11T06:44:30Z)
• Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [89.58253972744531]
  Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。 我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。 本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
  論文  参考訳（メタデータ） (2026-03-09T18:20:20Z)
• FORGE: Forming Semantic Identifiers for Generative Retrieval in Industrial Datasets [64.51403245281547]
  FORGEは、産業データセットを使ったジェネレーティブrEtrievalにおけるFOrmingセマンティック識別のベンチマークである。 現実世界のアプリケーションでは、オンラインコンバージェンスを半減するオフライン事前トレーニングスキーマが導入されている。
  論文  参考訳（メタデータ） (2025-09-25T08:44:22Z)
• OneSearch: A Preliminary Exploration of the Unified End-to-End Generative Framework for E-commerce Search [43.94443394870866]
  OneSearchは、eコマース検索のための最初の産業向けエンドツーエンド生成フレームワークである。 OneSearchは運用費を75.40%削減し、Model FLOPsの利用を3.26%から27.32%に改善した。 このシステムはKuaishouの複数の検索シナリオにまたがって展開され、数百万のユーザーにサービスを提供している。
  論文  参考訳（メタデータ） (2025-09-03T11:50:04Z)
• MMSearch-R1: Incentivizing LMMs to Search [49.889749277236376]
  MMSearch-R1は,実世界のインターネット環境において,オンデマンドでマルチターン検索が可能な,初のエンドツーエンド強化学習フレームワークである。 本フレームワークは画像検索とテキスト検索の両方を統合し,検索ペナルティによる結果に基づく報酬によって,モデルがいつ,どのように呼び出すかの判断を可能にする。
  論文  参考訳（メタデータ） (2025-06-25T17:59:42Z)
• Adaptive Retrieval and Scalable Indexing for k-NN Search with Cross-Encoders [77.84801537608651]
  クエリ-イムペアを共同で符号化することで類似性を計算するクロスエンコーダ(CE)モデルは、クエリ-イム関連性を推定する埋め込みベースモデル(デュアルエンコーダ)よりも優れている。 本稿では,潜時クエリとアイテム埋め込みを効率的に計算してCEスコアを近似し,CE類似度を近似したk-NN探索を行うスパース行列分解法を提案する。
  論文  参考訳（メタデータ） (2024-05-06T17:14:34Z)

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。