論文の概要: IntentTune: Using user demand and personalization to resolve "unknown" query intents for e-commerce search
- arxiv url: http://arxiv.org/abs/2607.01530v1
- Date: Wed, 01 Jul 2026 23:02:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.614153
- Title: IntentTune: Using user demand and personalization to resolve "unknown" query intents for e-commerce search
- Title（参考訳）: IntentTune:eコマース検索のための"未知"クエリインテントを解決するために、ユーザ需要とパーソナライズを利用する
- Abstract要約: IntentTuneは不明瞭または不明確なクエリインテントを解決するためのフレームワークである。
まず,人口レベルの需要パターンだけでは,不特定クエリに対する意図を確実に推測するには不十分であることを示す。
次に,ユーザ固有の行動信号,特に先行検索クエリが,人口統計情報と静的プロファイル情報の両方より優れていることを示す。
- 参考スコア（独自算出の注目度）: 4.099881235404101
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding user intent is fundamental to delivering relevant search results in e-commerce. However, substantial fraction of real-world queries are under-specified (e.g., "watch" or "shirt"), lacking explicit attributes such as gender or age group. This ambiguity poses a significant challenge for query intent detection models in e-commerce search systems, which must accurately infer latent user intent (e.g., age, gender) to support effective downstream retrieval. We introduce IntentTune, a framework for resolving ambiguous or under-specified query intents by leveraging either (1) user-specific behavioral signals including search history, browsing activity, and profile attributes or (2) population-level demand patterns aggregated across all users. Through experiments on real-world e-commerce data, we first demonstrate that population-level demand patterns alone are insufficient to reliably infer intent in under-specified queries. We then demonstrate that user-specific behavioral signals -- particularly prior search queries -- outperform both population-level statistics and static profile information for inferring gender, age group, product category, and size intent from underspecified queries.
- Abstract（参考訳）: ユーザの意図を理解することは、eコマースで関連する検索結果を提供するのに不可欠である。
しかし、現実のクエリのかなりの部分は、性別や年齢グループのような明示的な属性が欠如している(例えば、"watch" や "shirt" など)。
この曖昧さは、効率的な下流検索を支援するために、遅延したユーザ意図(例えば、年齢、性別)を正確に推測する必要があるEコマース検索システムにおいて、クエリインテント検出モデルにとって重要な課題となる。
IntentTuneは,(1)検索履歴,閲覧活動,プロファイル属性を含むユーザ固有の行動信号,あるいは(2)全ユーザで集約された人口レベルの要求パターンを活用することで,不明瞭さや不明確なクエリ意図を解決するためのフレームワークである。
実世界のeコマースデータに関する実験を通じて、人口レベルの需要パターンだけでは、不特定クエリにおける意図を確実に推測するには不十分であることを示す。
次に, 性別, 年齢, 製品カテゴリ, サイズ意図を未特定クエリから推定するために, ユーザ固有の行動信号, 特に先行検索クエリは, 人口統計情報と静的プロファイル情報の両方を上回っていることを示す。
関連論文リスト
- Think-to-Personalize: Unifying Reasoning and Retrieval for User-Centric Personalized Dense Retrieval [37.821022474615994]
Think-to-Personalize (TTP) は、ユーザ中心の意図的推論を高密度検索で統一する新しいフレームワークである。
TTPは最先端のベースラインを大幅に上回る。
論文 参考訳（メタデータ） (2026-08-19T12:28:20Z) - 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) - Addressing Personalized Bias for Unbiased Learning to Rank [56.663619153713434]
Unbiased Learning to rank (ULTR)は、バイアスのあるユーザの行動ログからバイアスのないランキングモデルを学ぶことを目的としている。
そこで本研究では,学習からランクへの目標値を求めるために,新しいユーザ認識逆確率スコア推定器を提案する。
論文 参考訳（メタデータ） (2025-08-28T14:01:31Z) - Implicit Search Intent Recognition using EEG and Eye Tracking: Novel Dataset and Cross-User Prediction [21.59167760456658]
本稿では,脳波と視線追跡記録からの検索意図のクロスユーザー予測法を提案する。
ユーザ1回の評価では84.5%の精度に達しています。
論文 参考訳（メタデータ） (2025-08-03T17:27:32Z) - 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) - Generalizable Person Search on Open-world User-Generated Video Content [93.72028298712118]
人物の検索は、大量の露骨なシーン画像から個人を検索する、困難な作業である。
既存の人検索アプリケーションは、ほとんどトレーニングされ、同じシナリオにデプロイされます。
本稿では,任意のシナリオにおける下流タスクを容易にするために,特徴レベルとデータレベルの両方の一般化可能なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-16T04:59:50Z) - Graph Enhanced BERT for Query Understanding [55.90334539898102]
クエリ理解は、ユーザの検索意図を探索し、ユーザが最も望まれる情報を発見できるようにする上で、重要な役割を果たす。
近年、プレトレーニング言語モデル (PLM) は様々な自然言語処理タスクを進歩させてきた。
本稿では,クエリコンテンツとクエリグラフの両方を活用可能な,グラフ強化事前学習フレームワークGE-BERTを提案する。
論文 参考訳（メタデータ） (2022-04-03T16:50:30Z) - Exposing Query Identification for Search Transparency [69.06545074617685]
本稿では,検索システムの2つのクラスにおいて,クエリとドキュメントの役割を逆転させることにより,検索タスクとしてのEQIの実現可能性について検討する。
本研究では,クエリのランク付けの質を評価するための評価基準を導出するとともに,近似EQIの様々な実践的側面に着目した経験的分析を行う。
論文 参考訳（メタデータ） (2021-10-14T20:19:27Z) - Deep Search Query Intent Understanding [17.79430887321982]
本稿では,検索の異なる段階における問合せ意図をモデル化するための総合的な学習フレームワークの提供を目的とする。
我々は,1) 文字レベルモデルを用いたタイプアヘッド検索において,入力したユーザの意図をオンザフライで予測すること,2) 完全クエリのための正確な単語レベルの意図予測モデルに焦点をあてる。
論文 参考訳（メタデータ） (2020-08-15T18:19:56Z) - User Intent Inference for Web Search and Conversational Agents [3.9400263964632836]
1)会話エージェントに対する発話トピックと意図の分類 2) Web検索エンジンに対する質問意図のマイニングと分類。
最初の話題に対処するために,ユーザの発話の話題と意図の両方を予測するために,エンティティ情報と会話内容の手がかりを組み込む新しいモデルを提案した。
第2の研究テーマとして,Web検索意図予測における工法の現状をeコマース領域に拡張する計画を立てる。
論文 参考訳（メタデータ） (2020-05-28T07:04:42Z)
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。