論文の概要: TSGR: Taobao Search Generative Retrieval

• arxiv url: http://arxiv.org/abs/2607.18796v1
• Date: Tue, 21 Jul 2026 07:17:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.346945
• Title: TSGR: Taobao Search Generative Retrieval
• Title（参考訳）: TSGR: Taobao Search Generative Retrieval
• Abstract要約: アイテム表現と候補ランキングの両方に価値意識を組み込んだ統合生成検索フレームワークを提案する。 $textbfT$aobao $textbfS$earch $textbfG$enerative $textbfR$etrieval$textbfTSGR$ GRで構築され、共同で最適化された$textbfVRM$により、単一のモデルをレトリバーとプリランカの両方としてシームレスに機能させることができる。
• 参考スコア（独自算出の注目度）: 32.4338892898415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative retrieval (GR) has demonstrated strong promise for industrial e-commerce search by training a single autoregressive model to directly generate the Semantic IDs (SIDs) of target items. However, existing GR systems are primarily optimized for semantic matching and remain insensitive to item business value: SID construction is value-unaware, and candidates are ranked without access to item side-info. Consequently, high-value items are often missed or deprioritized at the retrieval stage, limiting downstream business impact. This limitation is particularly critical in industrial settings such as Taobao Search, where business objectives are central to system design. To address this, we propose $\textbf{T}$aobao $\textbf{S}$earch $\textbf{G}$enerative $\textbf{R}$etrieval ($\textbf{TSGR}$), a unified generative retrieval framework that incorporates value awareness into both item representation and candidate ranking. 1) For item representation, TSGR introduces $\textbf{Query-aware Parallel SID (QP-SID)}$, which encodes query-conditioned value orderings into the SID construction by building parallel codebooks derived from query-item statistics, so that higher-value and query-relevant items are assigned better token indices. 2) For candidate ranking, we introduce a $\textbf{Value-aware Ranking Module (VRM)}$ that is built upon and jointly optimized with the GR, enabling a single model to seamlessly serve as both retriever and pre-ranker without a dedicated pre-ranking stage. A progressive training pipeline further aligns the model with semantic relevance, user preferences, and business objectives. Offline experiments show that TSGR achieves an 9.16% improvement in HR@1000, and online A/B tests further validate its effectiveness, yielding gains of +0.43% in IPV, +1.12% in Transaction Count, and +1.64% in GMV.
• Abstract（参考訳）: 生成検索(GR)は,単一自己回帰モデルを訓練し,ターゲット項目のセマンティックID(SID)を直接生成することで,産業用eコマース検索に強く期待している。 しかし、既存のGRシステムは、主にセマンティックマッチングに最適化されており、アイテムのビジネス価値に敏感なままである: SIDの構築は価値を意識せず、候補はアイテムのサイドインフォにアクセスせずにランク付けされる。 その結果、検索段階で高価値アイテムが欠落したり、非優先順位化されることが多く、下流のビジネスへの影響が制限される。 この制限は、ビジネス目的がシステム設計の中心となるTaobao Searchのような産業環境において特に重要である。 これを解決するために、アイテム表現と候補ランキングの両方に価値認識を組み込んだ統合生成検索フレームワークである$\textbf{T}$aobao $\textbf{S}$earch $\textbf{G}$enerative $\textbf{R}$etrieval$\textbf{TSGR}$。 1) 項目表現のためにTSGRは$\textbf{Query-aware Parallel SID (QP-SID)}$を導入している。 2) 候補ランキングには,GRをベースとして共同最適化された$\textbf{Value-aware Ranking Module (VRM)$を導入する。 プログレッシブトレーニングパイプラインは、モデルをさらにセマンティックな関連性、ユーザの好み、ビジネス目的と整合させる。 オフライン実験では、TSGRはHR@1000の9.16%の改善を達成し、オンラインA/Bテストはその効果をさらに検証し、ITVでは+0.43%、トランザクションカウントでは+1.12%、GMVでは+1.64%の利益を得た。

関連論文リスト

• Efficient Generative Retrieval for E-commerce Search with Semantic Cluster IDs and Expert-Guided RL [8.046510111008638]
  生成検索は、断片化された多段階検索プロセスを単一のエンドツーエンドモデルに統一することで、有望な代替手段を提供する。 本稿では,実世界のリコールシナリオに適した検索フレームワークを提案し,生成的検索をエンド・ツー・エンドの置き換えではなく,リコール・ステージ・サプリメントとして位置付ける。
  論文  参考訳（メタデータ） (2026-05-14T06:27:46Z)
• 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)
• FORGE: Forming Semantic Identifiers for Generative Retrieval in Industrial Datasets [64.51403245281547]
  FORGEは、産業データセットを使ったジェネレーティブrEtrievalにおけるFOrmingセマンティック識別のベンチマークである。 現実世界のアプリケーションでは、オンラインコンバージェンスを半減するオフライン事前トレーニングスキーマが導入されている。
  論文  参考訳（メタデータ） (2025-09-25T08:44:22Z)
• OneSearch: A Preliminary Exploration of the Unified End-to-End Generative Framework for E-commerce Search [43.94443394870866]
  OneSearchは、eコマース検索のための最初の産業向けエンドツーエンド生成フレームワークである。 OneSearchは運用費を75.40%削減し、Model FLOPsの利用を3.26%から27.32%に改善した。 このシステムはKuaishouの複数の検索シナリオにまたがって展開され、数百万のユーザーにサービスを提供している。
  論文  参考訳（メタデータ） (2025-09-03T11:50:04Z)
• ImpRAG: Retrieval-Augmented Generation with Implicit Queries [34.72864597562907]
  ImpRAGは、検索と生成を統一モデルに統合するクエリフリーなRAGシステムである。 我々は、ImpRAGが、多様な形式を持つ未確認タスクの正確なマッチスコアを3.6-11.5改善したことを示す。
  論文  参考訳（メタデータ） (2025-06-02T21:38:21Z)
• CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  クロスモーダル検索は、異なるモーダルデータの相互作用を通じて、クエリと意味的に関連するインスタンスを検索することを目的としている。 従来のソリューションでは、クエリと候補の間のスコアを明示的に計算するために、シングルトウワーまたはデュアルトウワーのフレームワークを使用している。 粗大なセマンティックモデリングに基づく生成的クロスモーダル検索フレームワーク(CART)を提案する。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)

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。