論文の概要: Next-Gen Sponsored Search: Crafting the Perfect Query with Inventory-Aware RAG (InvAwr-RAG) Based GenAI

• arxiv url: http://arxiv.org/abs/2607.03880v1
• Date: Sat, 04 Jul 2026 13:53:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.743278
• Title: Next-Gen Sponsored Search: Crafting the Perfect Query with Inventory-Aware RAG (InvAwr-RAG) Based GenAI
• Title（参考訳）: 次世代スポンサー検索:インベントリ対応RAG(InvAwr-RAG)ベースのGenAIによる完全クエリ作成
• Abstract要約: 本稿では,インベントリ・アウェアRAGに基づく生成AIモデル(InvAwr-RAG)を紹介する。 予備的な結果は、フィリングレートとバランスの取れた関連指標の68%が顕著に増加し、広告収入の増加の可能性を示唆している。
• 参考スコア（独自算出の注目度）: 1.3544447919445164
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sponsored search plays a crucial role in e-commerce revenue generation, where advertisers strategically bid on keywords to capture the attention of users through relevant search queries. However, the process of identifying pertinent keywords for a given query presents significant challenges because of a vast and evolving keyword landscape, ambiguous intentions, and topic diversity. This paper highlights an opportunity for to earn a considerable amount of Ads revenue and user engagement where a significant proportion of queries fail to retrieve any sponsored ads. To utilize this opportunity, we introduce the Inventory-Aware RAG-based Generative AI model (InvAwr-RAG), which integrates advanced semantic retrieval and real-time inventory data. This model combines dynamically generated and historically successful queries to align with available inventory and ad campaigns while diversifying rewritten queries to enhance relevance and user engagement. Preliminary results show a significant 68% increase in fill rate and balanced relevance metrics, indicating a strong potential for increased ad revenue. The InvAwr-RAG model sets a new standard in dynamic query optimization, significantly improving ad relevancy, advertiser ROI, and user experience on Walmart's digital platform.
• Abstract（参考訳）: スポンサー付き検索は、広告主がキーワードを戦略的に入札して、関連する検索クエリを通じてユーザーの注意を捉えるという、eコマース収益生成において重要な役割を担っている。 しかし、あるクエリに対して関連するキーワードを識別するプロセスは、広範で進化しているキーワードのランドスケープ、曖昧な意図、トピックの多様性など、大きな課題を呈している。 本稿は、大量の広告収入とユーザエンゲージメントを得る機会を強調し、クエリのかなりの割合がスポンサー付き広告を取得できない。 この機会を活用するために、先進的なセマンティック検索とリアルタイム在庫データを統合するインベントリ・アウェアRAGベースの生成AIモデル(InvAwr-RAG)を導入する。 このモデルは動的に生成され、歴史的に成功したクエリを組み合わせて、利用可能なインベントリや広告キャンペーンと整合し、リライトされたクエリを多様化し、妥当性とユーザエンゲージメントを高める。 予備的な結果は、フィリングレートとバランスの取れた関連指標の68%が顕著に増加し、広告収入の増加の可能性を示唆している。 InvAwr-RAGモデルは、動的クエリ最適化の新しい標準を設定し、広告関連性、広告主ROI、Walmartのデジタルプラットフォームでのユーザエクスペリエンスを大幅に改善する。

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)
• Enhancement of E-commerce Sponsored Search Relevancy with LLM [5.435243610074106]
  本稿では3つのカテゴリ(関連性,部分関連性,非関連性)にまたがる検索インタラクションの関連性を明らかにする新しいクエリと広告タイトル分類手法を提案する。 当社のアプローチでは、Eコマース支援検索コンテキストに特化してトレーニング済みモデルを適応させ、大規模なデータセットでトレーニングする。 微調整されたモデルでは、総合的なテストデータセットで89.43%の精度で、広告関連精度が著しく向上した。
  論文  参考訳（メタデータ） (2026-07-04T14:07:27Z)
• NaviRAG: Towards Active Knowledge Navigation for Retrieval-Augmented Generation [50.16741209529908]
  NaviRAGは、パッシブセグメント検索からアクティブな知識ナビゲーションに移行する新しいフレームワークである。 NaviRAGは従来のRAGベースラインよりも検索リコールとエンドツーエンドの応答性能を一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-04-14T14:07:01Z)
• Multi-Step Semantic Reasoning in Generative Retrieval [50.65947993017158]
  生成検索(GR)モデルは、モデルパラメータ内のコーパスを符号化し、所定のクエリに対して関連するドキュメント識別子を生成する。 既存のGRモデルは、財務報告に対するセマンティック推論など、数値的な文脈で複雑なクエリに苦しむ。 GR内の数値文脈における多段階意味推論を強化するためのフレームワークであるReasonGRを提案する。
  論文  参考訳（メタデータ） (2026-03-12T18:38:50Z)
• 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)
• A Knowledge Graph and Deep Learning-Based Semantic Recommendation Database System for Advertisement Retrieval and Personalization [0.0]
  本稿では,広告検索とパーソナライズのための知識グラフと深層学習に基づくセマンティックレコメンデーションデータベース(KGSR-ADS)を提案する。 提案するフレームワークは,マルチリレーショナルセマンティクスをキャプチャする異質なAd-Knowledge Graph(Ad-KG)を統合する。 この階層アーキテクチャは、正確なセマンティックマッチングとスケーラブルな検索の両方を可能にし、大規模な異種ワークロード下でパーソナライズされた広告レコメンデーションを可能にする。
  論文  参考訳（メタデータ） (2025-12-25T20:55:30Z)
• Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
  アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。 EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。 EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
  論文  参考訳（メタデータ） (2025-12-23T08:14:44Z)
• 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)
• TeamCMU at Touché: Adversarial Co-Evolution for Advertisement Integration and Detection in Conversational Search [1.187456026346823]
  広告を生成された応答に統合することは、商業的機会とユーザエクスペリエンスの課題の両方を示します。 本稿では,RAGに基づく対話システムにおいて,シームレスな広告統合のためのアドリライターと,検出のための堅牢な広告分類器からなる広告管理のためのモジュールパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-07-01T07:24:29Z)
• MMSearch-R1: Incentivizing LMMs to Search [49.889749277236376]
  MMSearch-R1は,実世界のインターネット環境において,オンデマンドでマルチターン検索が可能な,初のエンドツーエンド強化学習フレームワークである。 本フレームワークは画像検索とテキスト検索の両方を統合し,検索ペナルティによる結果に基づく報酬によって,モデルがいつ,どのように呼び出すかの判断を可能にする。
  論文  参考訳（メタデータ） (2025-06-25T17:59:42Z)
• Multi-objective Aligned Bidword Generation Model for E-commerce Search Advertising [16.8420671443003]
  検索システムは、ユーザクエリを最も関連性の高い広告とマッチングするという課題に対処する。 識別器,ジェネレータ,選好アライメントモジュールで構成される多目的整列バイドワード生成モデル(MoBGM)を提案する。 提案アルゴリズムは,オフラインおよびオンライン実験において,技術の現状を著しく上回っている。
  論文  参考訳（メタデータ） (2025-06-04T10:57:18Z)
• DeepNote: Note-Centric Deep Retrieval-Augmented Generation [72.70046559930555]
  Retrieval-Augmented Generation (RAG)は質問応答のための大規模言語モデル(LLM)における事実誤りと幻覚を緩和する 我々は、ノート中心の適応検索により、知識ソースの奥深くで堅牢な探索を実現する適応RAGフレームワークであるDeepNoteを開発した。
  論文  参考訳（メタデータ） (2024-10-11T14:03:29Z)
• Large Language Models for Relevance Judgment in Product Search [48.56992980315751]
  検索クエリに対する検索および再ランクされたアイテムの高い関連性は、製品検索の成功の土台である。 本稿では,大規模言語モデル(LLM)を活用して,クエリ・イテムペア(QIP)の関連判断を大規模に自動化する手法について述べる。 本研究は,製品検索における関連判断の自動化の分野への直接的な影響を示唆するものである。
  論文  参考訳（メタデータ） (2024-06-01T00:52:41Z)

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。