論文の概要: From Item-Only to Query-Item: Query-Conditioned Generative Search with QGS in Quark

• arxiv url: http://arxiv.org/abs/2605.25514v1
• Date: Mon, 25 May 2026 07:18:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.435879
• Title: From Item-Only to Query-Item: Query-Conditioned Generative Search with QGS in Quark
• Title（参考訳）: 項目のみからクエリ項目へ:クォーク内QGSを用いたクエリ記述型生成検索
• Authors: Yanglong Song, Zihao Yang, Shuo Meng, Rujun Guo, Jin Zhang, Bin Wang, Shaoyu Liu, Xiaozhao Wang, Guanjun Jiang,
• Abstract要約: 生成シーケンスモデルは推奨に強い結果を示している。 それらを検索ランキングに適用することは、もっと難しい。 本稿では,QGS(Query-Conditioned Generative Search)を提案する。
• 参考スコア（独自算出の注目度）: 8.408261237886899
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative sequence models have shown strong results in recommendation. Applying them to search ranking is more challenging. Search behavior is inherently query-driven. Each query switch introduces a sharp topic shift in the user's interaction history. Existing generative methods flatten queries and items into a single token sequence. They do not distinguish query boundaries. This causes the model to mix different query intents into one prediction target, resulting in noisy supervision. We present Query-Conditioned Generative Search (QGS). QGS encodes each interaction as a (query, item) pair token. It trains with a query-conditioned next-item objective. The prediction target changes from a noisy marginal P(item_{t+1}|context_{<=t}) to a clean conditional P(item_{t+1}|context_{<=t}, query_{t+1}). This directly removes the semantic discontinuity caused by query switches. Encoding long interaction histories with standard attention has quadratic cost. This is impractical under strict online latency budgets. We introduce a Linear HSTU encoder. It replaces full attention with causal linear recurrence. Per-layer complexity drops from O(L^2) to O(L) with no loss in ranking quality. Traditional search ranking depends on hand-crafted features like text-matching scores, statistical signals, and behavioral features. We propose HFG-Attention to preserve them in the generative framework. It organizes heterogeneous features into semantic groups and fuses them through a dedicated attention block. This bridges sparse engineered signals with dense sequential representations. QGS is deployed in the ranking module of Quark Search, a major commercial search engine in China. Online A/B tests show statistically significant gains: +0.62% CTR, +0.38% Click-Search Ratio, and +3.55% PV Duration over the production deep learning baseline.
• Abstract（参考訳）: 生成シーケンスモデルは推奨に強い結果を示している。 それらを検索ランキングに適用することは、もっと難しい。 検索動作は本質的にクエリ駆動である。 各クエリスイッチは、ユーザのインタラクション履歴に急激なトピックシフトを導入します。 既存の生成方法は、クエリとアイテムを単一のトークンシーケンスにフラットにする。 クエリ境界を区別しません。 これにより、異なるクエリインテントをひとつの予測ターゲットに混ぜることで、ノイズの多い監視が可能になる。 本稿ではQGS(Query-Conditioned Generative Search)を提案する。 QGSは、各インタラクションを(クエリ、アイテム)ペアトークンとしてエンコードする。 クエリ条件の次のイテムの目的でトレーニングする。 予測対象は、ノイズの多い境界P(item_{t+1}|context_{<=t})からクリーンな条件P(item_{t+1}|context_{<=t}, query_{t+1})に変化する。 これにより、クエリスイッチによって引き起こされる意味的不連続性が直接排除される。 長い相互作用履歴を標準的な注意でエンコードすることは2次コストである。 これは厳格なオンライン遅延予算の下では現実的ではありません。 線形HSTUエンコーダを提案する。 完全な注意を因果線形再発に置き換える。 層ごとの複雑性はO(L^2)からO(L)に低下し、ランキング品質は低下しない。 従来の検索ランキングは、テキストマッチングスコア、統計信号、行動特徴など手作りの機能に依存している。 本稿では,HFG-Attention(HFG-Attention)を提案する。 不均一な特徴をセマンティックグループに整理し、専用の注意ブロックを通じてそれらを融合する。 このブリッジは、密度の高いシーケンシャルな表現を持つ疎結合な信号である。 QGSは中国の主要商用検索エンジンQuark Searchのランキングモジュールに展開されている。 オンラインA/Bテストでは、CTRが0.62%、Click-Search Ratioが0.38%、PVが3.55%である。

関連論文リスト

• MDER-DR: Multi-Hop Question Answering with Entity-Centric Summaries [2.756584457554517]
  Map-Disambiguate-Enrich-Reduce (MDER)はコンテキスト由来の3重記述を生成し、エンティティレベルの要約と統合する。 Decompose-Resolve (DR)は、ユーザクエリを解決可能なトリプルに分解し、知識グラフに格納する。 MDERとDRはLLM駆動のQAパイプラインを形成し、スパース、不完全、複雑なリレーショナルデータに対して堅牢である。
  論文  参考訳（メタデータ） (2026-03-11T18:38:44Z)
• Cooperative Retrieval-Augmented Generation for Question Answering: Mutual Information Exchange and Ranking by Contrasting Layers [2.007262412327553]
  CoopRAGは、レトリバーとLLMが協調して動作する質問応答タスクのための新しいRAGフレームワークである。 実験の結果、CoopRAGは3つのマルチホップQAデータセットと単純なQAデータセットに対して、最先端QA手法を一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-12-11T08:35:17Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• Hybrid Deep Searcher: Integrating Parallel and Sequential Search Reasoning [57.78245296980122]
  本稿では,自然質問から自動生成されるデータセットであるHDS-QA(Hybrid Deep Search QA)を紹介する。 並列化可能な独立サブクエリ(同時に実行可能)と逐次依存サブクエリ(ステップバイステップの解決を必要とする)を組み合わせたハイブリッドホップ質問を含む。 モデルの名称はHybridDeepSearcherで、複数のベンチマークで最先端のベースラインを上回っています。
  論文  参考訳（メタデータ） (2025-08-26T15:15:17Z)
• The benefits of query-based KGQA systems for complex and temporal questions in LLM era [55.20230501807337]
  大規模言語モデルは質問回答(QA)に優れていますが、マルチホップ推論や時間的質問には苦戦しています。 クエリベースの知識グラフ QA (KGQA) は、直接回答の代わりに実行可能なクエリを生成するモジュール形式の代替手段を提供する。 WikiData QAのためのマルチステージクエリベースのフレームワークについて検討し、課題のあるマルチホップと時間ベンチマークのパフォーマンスを向上させるマルチステージアプローチを提案する。
  論文  参考訳（メタデータ） (2025-07-16T06:41:03Z)
• Allies: Prompting Large Language Model with Beam Search [107.38790111856761]
  本研究では,ALIESと呼ばれる新しい手法を提案する。 入力クエリが与えられた場合、ALLIESはLLMを活用して、元のクエリに関連する新しいクエリを反復的に生成する。 元のクエリのスコープを反復的に精錬して拡張することにより、ALLIESは直接検索できない隠れた知識をキャプチャし、利用する。
  論文  参考訳（メタデータ） (2023-05-24T06:16:44Z)
• NQE: N-ary Query Embedding for Complex Query Answering over Hyper-Relational Knowledge Graphs [1.415350927301928]
  複雑なクエリ応答は知識グラフの論理的推論に不可欠なタスクである。 ハイパーリレーショナル知識グラフ(HKG)上のCQAのための新しいN-ary Query Embedding (NQE)モデルを提案する。 NQEは二元変換器エンコーダとファジィ論理理論を用いて全てのn-ary FOLクエリを満たす。 我々は、WD50K上の多様なn-ary FOLクエリを含む、新しいCQAデータセットWD50K-NFOLを生成する。
  論文  参考訳（メタデータ） (2022-11-24T08:26:18Z)
• What Are Expected Queries in End-to-End Object Detection? [28.393693394478724]
  提案するクエリは COCO Distinct Queries (DDQ) でなければならない。 DDQはより強く、より堅牢で、従来の方法よりも早く収束する。 MSarity検出データセットでは、12エポックしか持たない44.5 APが得られている。
  論文  参考訳（メタデータ） (2022-06-02T18:15:44Z)
• Online Learning of Optimally Diverse Rankings [63.62764375279861]
  ユーザのフィードバックのみに基づいて最適なリストを効率よく学習するアルゴリズムを提案する。 我々は、$T$クエリの後に、LDRの後悔は$O((N-L)log(T))$としてスケールする。
  論文  参考訳（メタデータ） (2021-09-13T12:13:20Z)
• Session-Aware Query Auto-completion using Extreme Multi-label Ranking [61.753713147852125]
  本稿では,セッション対応クエリ自動補完の新たな手法を,XMR(Multi Multi-Xtreme Ranking)問題として取り上げる。 アルゴリズムのキーステップにいくつかの修正を提案することにより、この目的のために一般的なXMRアルゴリズムを適応させる。 当社のアプローチは、セッション情報を活用しながら、自動補完システムの厳しいレイテンシ要件を満たします。
  論文  参考訳（メタデータ） (2020-12-09T17:56:22Z)

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。