論文の概要: QueryAgent-R1: Bridging Query Generation and Product Retrieval for E-Commerce Query Recommendation
- arxiv url: http://arxiv.org/abs/2606.05671v1
- Date: Thu, 04 Jun 2026 03:51:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-05 22:39:44.538624
- Title: QueryAgent-R1: Bridging Query Generation and Product Retrieval for E-Commerce Query Recommendation
- Title（参考訳）: QueryAgent-R1:E-Commerce Query Recommendationのためのクエリ生成と製品検索
- Authors: Dike Sun, Zheng Zou, Jingtong Zang, Qi Sun, Huaipeng Zhaoand Tao Luo, Xiaoyi Zeng,
- Abstract要約: 本稿では,メモリ拡張エージェントフレームワークであるQueryAgent-R1を提案する。
我々のQueryAgent-R1は、実際の在庫検索においてクエリ生成を基盤としており、エージェントは検索した製品に基づいてクエリを検証および精査することができる。
プロプライエタリな産業データとパブリックデータセットの両方に基づいて2つのデータセットを構築し、QueryAgent-R1は一貫して強力なベースラインを上回っています。
- 参考スコア（独自算出の注目度）: 10.542312061586136
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Query recommendation in e-commerce search aims to proactively suggest queries that match users' potential interests. However, existing methods mainly optimize query-level relevance, while neglecting whether the retrieved products align with users' downstream preferences. This mismatch often leads to high query click through rates (CTR) but low product conversion rates (CVR). To bridge this gap, we propose QueryAgent-R1, a memory-augmented agentic framework that improves end-to-end alignment via chain-of-retrieval optimization. Our QueryAgent-R1 grounds query generation in real inventory retrieval, allowing the agent to validate and refine queries based on retrieved products. We also design a consistency reward in the agentic reinforcement learning (RL) process to jointly optimize query relevance and downstream engagement. In addition, we construct a memory abstraction module for efficient user profiling. To support offline evaluation, we construct two datasets based on both proprietary industrial data and public datasets, on which QueryAgent-R1 consistently outperforms strong baselines. Moreover, on a large scale production platform, QueryAgent-R1 improves Query CTR by 2.9% and guided CVR by 3.1% in online A/B tests.
- Abstract（参考訳）: eコマース検索におけるクエリレコメンデーションは、ユーザの潜在的関心に合ったクエリを積極的に提案することを目的としている。
しかし,既存の手法は主にクエリレベルの妥当性を最適化し,検索した商品がユーザの下流の好みに合致するかどうかを無視する。
このミスマッチは、しばしば高いクエリクリックスルーレート(CTR)をもたらすが、製品変換レート(CVR)は低い。
このギャップを埋めるために、我々はQueryAgent-R1を提案する。
我々のQueryAgent-R1は、実際の在庫検索においてクエリ生成を基盤としており、エージェントは検索した製品に基づいてクエリを検証および精査することができる。
また,エージェント強化学習(RL)プロセスにおける整合性報酬を設計し,クエリ関連性と下流のエンゲージメントを協調的に最適化する。
さらに,効率的なユーザプロファイリングのためのメモリ抽象化モジュールを構築する。
オフライン評価をサポートするために、プロプライエタリな産業データとパブリックデータセットの両方に基づいて2つのデータセットを構築し、QueryAgent-R1は一貫して強力なベースラインを上回ります。
さらに、大規模プロダクションプラットフォームでは、QueryAgent-R1はQuery CTRを2.9%改善し、オンラインA/Bテストでは3.1%改善した。
関連論文リスト
- 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) - Relevance Matters: A Multi-Task and Multi-Stage Large Language Model Approach for E-commerce Query Rewriting [6.891672336300552]
本研究では,大規模言語モデル(LLM)に基づくマルチタスクおよびマルチステージクエリ書き換えフレームワークを提案する。
2025年8月以降、当社のアプローチは、中国の大手オンラインショッピングプラットフォームであるJD.comで実施されている。
論文 参考訳（メタデータ） (2026-03-03T03:18:16Z) - Rethinking On-policy Optimization for Query Augmentation [49.87723664806526]
本稿では,様々なベンチマークにおいて,プロンプトベースとRLベースのクエリ拡張の最初の体系的比較を示す。
そこで我々は,検索性能を最大化する擬似文書の生成を学習する,新しいハイブリッド手法 On-policy Pseudo-document Query Expansion (OPQE) を提案する。
論文 参考訳（メタデータ） (2025-10-20T04:16:28Z) - IntSR: An Integrated Generative Framework for Search and Recommendation [23.773378364635523]
IntSRは検索とレコメンデーションのための統合生成フレームワークである。
異なるクエリモーダルを使って、これらの異なるタスクを統合する。
IntSRはAmapのさまざまなシナリオでうまくデプロイされている。
論文 参考訳（メタデータ） (2025-09-25T13:58:33Z) - OneSug: The Unified End-to-End Generative Framework for E-commerce Query Suggestion [22.63172274938755]
OneSugは、eコマースクエリ提案のためのエンドツーエンドの生成フレームワークである。
OneSugは、KuaishouプラットフォームのEコマース検索エンジンで1ヶ月以上にわたって、全トラフィックに成功している。
論文 参考訳（メタデータ） (2025-06-07T20:24:05Z) - Learning to Route Queries Across Knowledge Bases for Step-wise Retrieval-Augmented Reasoning [60.84901522792042]
Multimodal Retrieval-Augmented Generation (MRAG)は、マルチモーダル大言語モデル(MLLM)における幻覚の緩和を約束している。
進化する推論状態に基づいて知識をいつどこで取得するかを学習する新しいMRAGフレームワークであるR1を提案する。
R1-は多種多様なKBを適応的かつ効果的に利用でき、不要な検索を減らし、効率と精度を向上させる。
論文 参考訳（メタデータ） (2025-05-28T08:17:57Z) - Aligning Web Query Generation with Ranking Objectives via Direct Preference Optimization [21.140086066964667]
本稿では,クエリ生成プロセスにランキング信号を統合するフレームワークを提案する。
実験の結果,DPO後の問合せと文書の相互関係は高く評価された。
論文 参考訳（メタデータ） (2025-05-25T20:34:12Z) - Rank-R1: Enhancing Reasoning in LLM-based Document Rerankers via Reinforcement Learning [76.50690734636477]
ランキングタスクを実行する前にユーザクエリと候補文書の両方を推論する新しいLCMベースのリランカである Rank-R1 を導入する。
TREC DL と BRIGHT データセットを用いた実験により,Ranc-R1 が特に複雑なクエリに対して非常に有効であることが判明した。
論文 参考訳（メタデータ） (2025-03-08T03:14:26Z) - Leveraging Approximate Caching for Faster Retrieval-Augmented Generation [6.674782158041247]
本稿では,ユーザクエリの類似性を活用してRAGワークフローを最適化する,近似キー値キャッシュであるProximityを紹介する。
Proximityは、それぞれのクエリを独立して扱う代わりに、類似したクエリが現れると、以前検索されたドキュメントを再利用する。
我々の実験では、LSH方式と現実的にスキューされたMedRAGのワークロードとの近さは、データベースのリコールとテストの精度を維持しながら、データベース呼び出しを77.2%削減することを示した。
論文 参考訳（メタデータ） (2025-03-07T15:54:04Z) - 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) - Selecting Query-bag as Pseudo Relevance Feedback for Information-seeking Conversations [76.70349332096693]
情報検索対話システムは電子商取引システムで広く利用されている。
クエリバッグに基づくPseudo Relevance Feedback framework(QB-PRF)を提案する。
関連クエリを備えたクエリバッグを構築し、擬似シグナルとして機能し、情報検索の会話をガイドする。
論文 参考訳（メタデータ） (2024-03-22T08:10:32Z)
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。