論文の概要: INSPIRE: Intent-aware Neural Sponsored Product Retrieval for E-commerce
- arxiv url: http://arxiv.org/abs/2606.23889v1
- Date: Mon, 22 Jun 2026 19:39:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:48.645136
- Title: INSPIRE: Intent-aware Neural Sponsored Product Retrieval for E-commerce
- Title（参考訳）: INSPIRE:Eコマースのためのインテント対応ニューラルスポンサード製品検索
- Abstract要約: ウォルマートは米国のEコマース食料品市場で最大のシェアを持っており、食品と飲料のカテゴリーは最も高い検索トラフィックを生み出し、スポンサー付き検索収入のかなりの部分を占めている。
しかし、食料品検索におけるユーザーの意図を理解することは本質的に難しい。
我々は,大規模言語モデルを教師として機能し,製品タイトルや記述から構造化された意図アノテーションを生成する,弱教師付き意図学習パイプラインを開発する。
- 参考スコア（独自算出の注目度）: 5.818822979956035
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Walmart holds the largest share of the U.S. ecommerce grocery market, where food and beverage categories generate some of the highest search traffic and, consequently, drive a substantial portion of sponsored search revenue. At this scale, even small mismatches between user intent and retrieved products can lead to losses in both user engagement and monetization. Yet, understanding user intent in grocery search is inherently challenging. Queries are typically short, ambiguous, and highly diverse, often underspecifying critical preferences. From the advertisers perspective, many products are explicitly designed to target specific intents such as dietary preferences or size variants and must be surfaced at the right moment to be effective. Thus, we propose INSPIRE (Intent aware Neural Sponsored Product Retrieval for Ecommerce), an intent aware retrieval framework for sponsored search that leverages structured intent signals to better align user queries with relevant food and beverage products. INSPIRE represents intent as a set of structured, multi dimensional attributes derived from both user queries and product content, capturing explicit signals (e.g., brand, flavor) as well as implicit preferences (e.g., dietary constraints, cuisine types) that are often not directly expressed in queries. We develop a weakly supervised intent learning pipeline, where a large language model serves as a teacher to generate structured intent annotations from product titles and descriptions. We then distill these annotations by using them to finetune a lightweight student LLM model through LoRA based supervised finetuning that predicts intent attributes. We then introduce an intent augmented dense retrieval framework, where predicted intents are incorporated into query and product representations within a biencoder, enabling more precise matching between queries and sponsored products.
- Abstract（参考訳）: ウォルマートは米国のEコマース食料品市場で最大のシェアを持っており、食品と飲料のカテゴリーは最も高い検索トラフィックを生み出し、その結果、スポンサー付き検索収入のかなりの部分を占めている。
この規模では、ユーザ意図と検索された製品の間の小さなミスマッチでさえ、ユーザのエンゲージメントと収益化の両方に損失をもたらす可能性がある。
しかし、食料品検索におけるユーザーの意図を理解することは本質的に難しい。
クエリは通常、短く、曖昧で、非常に多様であり、しばしば批判的な嗜好を過小評価する。
広告主の視点では、多くの製品は、食事の嗜好やサイズの変化といった特定の意図をターゲットとして設計されており、有効にするために適切なタイミングで表面化されなければならない。
Intent aware Neural Sponsored Product Retrieval for ECommerce, INSPIREは、構造化された意図信号を利用して、ユーザクエリと関連する食品や飲料製品との整合性を向上する、スポンサー検索のための意図的検索フレームワークである。
INSPIREは、ユーザクエリと製品コンテンツの両方から派生した構造化された多次元の属性のセットとして、明示的なシグナル(例えば、ブランド、フレーバー)と、クエリで直接表現されない暗黙の好み(例えば、食事の制約、料理の種類)をキャプチャする。
我々は,大規模言語モデルを教師として機能し,製品タイトルや記述から構造化された意図アノテーションを生成する,弱教師付き意図学習パイプラインを開発する。
次に、これらのアノテーションを用いてLoRAに基づく教師付き微調整により、軽量な学生LLMモデルを微調整し、インテント属性を予測する。
次に,ビエンコーダ内のクエリおよび製品表現に予測意図を組み込んだ高密度検索フレームワークを導入し,クエリとスポンサード製品とのより正確なマッチングを可能にする。
関連論文リスト
- Improving Item Discoverability in e-Commerce Search via Related Intent Generation [4.305233699377622]
目的条件付きリコール拡張を利用した探索拡張検索のためのスケーラブルなシステムを提案する。
提案手法は,関連性を維持しつつ,候補リコールを拡大するための暗黙のユーザ意図を生成する。
我々は,厳密な2つの枠組みを用いてシステムを評価する: (a) LLM-as-a-judge 測定値, (b) セッションレベルの購入分析。
論文 参考訳（メタデータ） (2026-07-29T17:46:35Z) - Beyond Matching: Category-Guided Latent Intent Reasoning for Generative Retrieval in E-Commerce [33.55727546262202]
CaLIRは、電子商取引生成検索のためのカテゴリー誘導潜在意図推論フレームワークである。
階層型セマンティック推論を導入し、潜在状態をカテゴリーレベルのショッピング意図と整合させる。
多言語eコマース検索データセットの実験により、CaLIRは既存の方法よりも検索効率と推論効率のバランスが良くなっていることが示された。
論文 参考訳（メタデータ） (2026-06-05T09:12:54Z) - Unified Supervision for Walmart's Sponsored Search Retrieval via Joint Semantic Relevance and Behavioral Engagement Modeling [5.167327964319347]
本稿では,ウォルマートが支援するeコマースにおける検索検索のためのバイエンコーダトレーニングフレームワークを提案する。
意味的関連性(semantic Relevance)を主要な監視信号として使用し、関連する項目の優先信号としてのみ使用します。
本手法は,オフライン評価とオンラインABテストの両方において,現在の生産システムより優れている。
論文 参考訳（メタデータ） (2026-04-09T07:49:41Z) - CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation [55.783414010717074]
CoFiRecは、アイテム情報をセマンティックレベルに分解する新しい生成レコメンデーションフレームワークである。
我々は、CoFiRecが既存の手法より優れており、ジェネレーティブレコメンデーションの新しい視点を提供することを示す。
論文 参考訳（メタデータ） (2025-11-27T18:59:35Z) - Towards Context-aware Reasoning-enhanced Generative Searching in E-commerce [61.03081096959132]
そこで本稿では,複雑な状況下でのテキストバウンダリングを改善するための,文脈対応推論強化型生成検索フレームワークを提案する。
提案手法は,強力なベースラインに比べて優れた性能を示し,検索に基づく推薦の有効性を検証した。
論文 参考訳（メタデータ） (2025-10-19T16:46:11Z) - A Generative Framework for Personalized Sticker Retrieval [73.57899194210141]
我々はパーソナライズされたステッカー検索のための新しい生成フレームワークであるPEARLを提案する。
i) ユーザ固有のステッカー嗜好を符号化するために,識別的ユーザ表現を学習するための表現学習モデルを設計し, (ii) ユーザのクエリ意図に合致したステッカーを生成するために, 新たな意図認識学習目標を提案する。
オフライン評価とオンラインテストの両方による実証的な結果は、PEARLが最先端の手法を大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2025-09-22T13:11:44Z) - Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。
我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。
BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
論文 参考訳（メタデータ） (2025-09-08T10:58:42Z) - SessionIntentBench: A Multi-task Inter-session Intention-shift Modeling Benchmark for E-commerce Customer Behavior Understanding [64.45047674586671]
本稿では,意図木の概念を導入し,データセットキュレーションパイプラインを提案する。
我々は,L(V)LMsのセッション間意図シフト理解能力を評価するマルチモーダルベンチマークSessionIntentBenchを構築した。
1,952,177の意図的エントリ,1,132,145のセッション意図軌跡,および10,905のセッションを使用してマイニングされた13,003,664のタスクにより,既存のセッションデータを活用可能なスケーラブルな方法を提供する。
論文 参考訳（メタデータ） (2025-07-27T09:04:17Z) - LLM-ESR: Large Language Models Enhancement for Long-tailed Sequential Recommendation [58.04939553630209]
現実世界のシステムでは、ほとんどのユーザーはほんの一握りのアイテムしか扱わないが、ほとんどのアイテムは滅多に消費されない。
これら2つの課題は、ロングテールユーザーとロングテールアイテムの課題として知られ、しばしば既存のシークエンシャルレコメンデーションシステムに困難をもたらす。
本稿では,これらの課題に対処するため,Large Language Models Enhancement framework for Sequential Recommendation (LLM-ESR)を提案する。
論文 参考訳（メタデータ） (2024-05-31T07:24:42Z) - A Usage-centric Take on Intent Understanding in E-Commerce [20.648271216249977]
私たちは、“顧客が製品を使う方法”として、述語的ユーザ意図に注目します。
FolkScopeの2つの弱点、SOTA E-Commerce Intent Graphを特定します。
ユーザ意図を最も望ましい特性を持つ製品と強く結びつける能力を制限する。
論文 参考訳（メタデータ） (2024-02-22T18:09:33Z) - Grouping Search Results with Product Graphs in E-commerce Platforms [2.887393074590696]
本稿では,検索結果を複数のランクリストに分類し,より優れたユーザインテントを提供するフレームワークを提案する。
例えば「ミルク」という問合せでは、結果は「白い牛乳」、「低脂肪牛乳」、「アーモンドミルク」、「風味のある牛乳」の複数のスタックにまとめられる。
論文 参考訳（メタデータ） (2021-09-20T08:01:29Z)
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。