論文の概要: Towards Sustainable Growth: A Multi-Value-Aware Retrieval Framework for E-Commerce Search
- arxiv url: http://arxiv.org/abs/2605.17994v1
- Date: Mon, 18 May 2026 07:50:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:49.007109
- Title: Towards Sustainable Growth: A Multi-Value-Aware Retrieval Framework for E-Commerce Search
- Title（参考訳）: 持続可能な成長に向けて:Eコマース検索のための多価値検索フレームワーク
- Abstract要約: 電子商取引検索に適した多値検索フレームワークを提案する。
当社のフレームワークGrowthGRは2つの重要なコンポーネントで構成されています。アイテムの長期トランザクション価値予測(ItemLTV)モジュールと、マルチバリュー対応生成検索(MultiGR)モジュールです。
われわれは,GrowthGRをTaobaoの生産プラットフォームに展開し,新しい品目GMVで5.3%の昇華を実現した。
- 参考スコア（独自算出の注目度）: 15.810653284351147
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: New item growth is critical for maintaining a healthy ecosystem in large-scale e-commerce platforms. However, existing systems tend to prioritize presenting users with already popular items, a phenomenon often referred to as the "Matthew effect". In the context of search retrieval, current cold-start models suffer from the misalignment between training objectives and online business metrics, and they lack effective mechanisms to measure an item's growth potential. In this paper, we propose a Multi-Value-Aware retrieval framework tailored for e-commerce search, designed to better align with the cascaded online values across different stages of the search system while balancing immediate conversion and long-term item growth. Our framework GrowthGR consists of two key components: an Item Long-term Transaction Value Prediction (ItemLTV) module and a Multi-Value-Aware Generative Retrieval (MultiGR) module. First, in the ItemLTV module, we employ counterfactual inference to quantify the long-term value increment attributable to a single user interaction. Second, in the MultiGR module, building upon a semantic-ID-based generative retrieval architecture, we leverage structured samples with the search cascade signals and adopt a Multi-Value-Aware Policy Optimization (MoPO) training paradigm to align with multi-stage online values, while explicitly balancing short-term transactional value and long-term growth potential estimated by ItemLTV. We successfully deployed GrowthGR on Taobao's production platform, achieving a substantial 5.3% lift in new item GMV while delivering a non-trivial 0.3% gain in overall search GMV. Extensive online analysis and A/B testing demonstrate its positive impact on the overall ecosystem value.
- Abstract（参考訳）: 大規模eコマースプラットフォームにおける健全なエコシステムを維持するためには、新たなアイテムの成長が不可欠だ。
しかし、既存のシステムは、既に人気があるアイテムを提示することを優先する傾向にあり、これはしばしば「マシュー効果」と呼ばれる現象である。
検索検索の文脈では、現在のコールドスタートモデルはトレーニング目標とオンラインビジネスメトリクスのミスアライメントに悩まされ、アイテムの成長ポテンシャルを測定する効果的なメカニズムが欠如している。
本稿では,eコマース検索に適したマルチバリュー・アウェア検索フレームワークを提案する。
当社のフレームワークGrowthGRは2つの重要なコンポーネントで構成されています。アイテムの長期トランザクション価値予測(ItemLTV)モジュールと、マルチバリュー対応生成検索(MultiGR)モジュールです。
まず、ItemLTVモジュールにおいて、1つのユーザインタラクションに起因する長期値のインクリメントを定量化するために、反ファクト推論を用いる。
第2に、MultiGRモジュールにおいて、セマンティックIDに基づく生成検索アーキテクチャを構築し、検索カスケード信号を用いた構造化サンプルを活用し、多段階オンライン価値と整合するマルチバリューアウェアポリシー最適化(MoPO)トレーニングパラダイムを採用し、ItemLTVが見積もる短期的取引価値と長期的成長ポテンシャルを明示的にバランスさせながら、マルチステージオンライン価値と整合する。
われわれは,GrowthGRをTaobaoの生産プラットフォームに展開し,新品のGMVで5.3%,検索全体のGMVで0.3%向上した。
大規模なオンライン分析とA/Bテストは、エコシステム全体の価値に肯定的な影響を与えることを示している。
関連論文リスト
- OneMall: One Architecture, More Scenarios -- End-to-End Generative Recommender Family at Kuaishou E-Commerce [68.7552227901176]
OneMallは、Kuaishouのeコマースサービスに適したエンドツーエンドのジェネレーティブレコメンデーションフレームワークである。
製品カード、ショートビデオ、ライブストリーミングなど、eコマースの複数のアイテム配信シナリオを統合する。
OneMallはすでにデプロイされており、Kuaishouでは毎日4億人のアクティブユーザーが利用している。
論文 参考訳（メタデータ） (2026-01-29T14:22:39Z) - 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) - Test-Time Scaling Strategies for Generative Retrieval in Multimodal Conversational Recommendations [70.94563079082751]
電子商取引は、複雑なマルチターンユーザーインタラクションを管理する上で、伝統的な製品検索システムの限界を明らかにしている。
本稿では,対話型マルチモーダル製品検索にテスト時間スケーリングを導入する新しいフレームワークを提案する。
提案手法は生成型レトリバー上に構築され,さらに検索精度の向上と,対話を通してユーザ意図の進化と結果の整合性を向上するテストタイムリグレード機構が組み込まれている。
論文 参考訳（メタデータ） (2025-08-25T15:38:56Z) - Optimizing Recall or Relevance? A Multi-Task Multi-Head Approach for Item-to-Item Retrieval in Recommendation [23.61568268070558]
本稿では,ハイリコールとセマンティック関連性を両立するマルチタスクとマルチヘッドI2I検索モデルを提案する。
MTMHは数十億のユーザを対象とする商用プラットフォームのプロプライエタリなデータを用いて評価し、リコールを最大14.4%改善し、セマンティック関連性を最大56.6%向上させることができることを示した。
論文 参考訳（メタデータ） (2025-06-06T17:00:20Z) - DeepShop: A Benchmark for Deep Research Shopping Agents [70.03744154560717]
DeepShopは、複雑なリアルなオンラインショッピング環境でWebエージェントを評価するために設計されたベンチマークである。
5つの人気のあるオンラインショッピングドメインに多様なクエリを生成します。
エージェントの性能をきめ細かな面から評価する自動評価フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-03T13:08:17Z) - Semantic Ads Retrieval at Walmart eCommerce with Language Models Progressively Trained on Multiple Knowledge Domains [6.1008328784394]
Walmart.comの広告検索システムを最適化するために,エンド・ツー・エンドのソリューションを提案する。
当社のアプローチは,製品カテゴリ情報を用いたBERTライクな分類モデルを事前学習することである。
ベースラインDSSMベースのモデルと比較して,検索関連度を最大16%向上させる。
論文 参考訳（メタデータ） (2025-02-13T09:01:34Z) - MODRL-TA:A Multi-Objective Deep Reinforcement Learning Framework for Traffic Allocation in E-Commerce Search [13.893431289065997]
本稿では、多目的Q-ラーニング(MOQ)と、クロスエントロピー法(CEM)に基づく決定融合アルゴリズム(DFM)と、プログレッシブデータ拡張システム(PDA)からなる多目的深層強化学習フレームワークを提案する。
実世界のオンラインeコマースシステムの実験は、MODRL-TAの大幅な改善を実証している。
論文 参考訳（メタデータ） (2024-07-22T08:40:27Z) - MMAPS: End-to-End Multi-Grained Multi-Modal Attribute-Aware Product
Summarization [93.5217515566437]
マルチモーダル製品要約(MPS: Multi-modal Product Summarization)は、商品の特徴を強調して顧客の購入意欲を高めることを目的としている。
既存のMPS手法は有望な結果をもたらすが、それでもエンドツーエンドの製品要約は欠如している。
本稿では,eコマースにおける高品質な製品要約を生成するために,エンド・ツー・エンドのマルチモーダル属性対応製品要約手法(MMAPS)を提案する。
論文 参考訳（メタデータ） (2023-08-22T11:00:09Z) - Multi-Objective Personalized Product Retrieval in Taobao Search [27.994166796745496]
関連性, 露出性, クリック性, 購入性の4つの階層的最適化目標を持つ, 新規な多目的パーソナライズされた製品検索モデルを提案する。
MOPPRは28日間のオンラインA/Bテストで0.96%のトランザクションと1.29%のGMV改善を達成した。
2021年のDouble-11ショッピングフェスティバル以来、MOPPRは従来のMGDSPRに代わるモバイルタオバオ検索に完全に配備されている。
論文 参考訳（メタデータ） (2022-10-09T05:18:42Z) - Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product
Retrieval [152.3504607706575]
本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。
まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。
我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
論文 参考訳（メタデータ） (2022-06-17T15:40:45Z) - Product1M: Towards Weakly Supervised Instance-Level Product Retrieval
via Cross-modal Pretraining [108.86502855439774]
弱教師付きマルチモーダル・インスタンスレベルの製品検索を目的とした,より現実的な設定について検討する。
実世界のインスタンスレベルの検索において,最も大規模なマルチモーダル化粧品データセットであるProduct1Mをコントリビュートする。
ケースレベルの予測検索(CAPTURE)のためのクロスモーダル・コントラサシブ・プロダクト・トランスフォーマーという新しいモデルを提案する。
論文 参考訳（メタデータ） (2021-07-30T12:11:24Z)
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。