論文の概要: CORE: A Unified Cascaded Ordinal Relevance Estimation Framework for E-commerce Search
- arxiv url: http://arxiv.org/abs/2607.24417v1
- Date: Mon, 27 Jul 2026 13:30:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.440396
- Title: CORE: A Unified Cascaded Ordinal Relevance Estimation Framework for E-commerce Search
- Title（参考訳）: CORE:Eコマース検索のための統一された順序関係評価フレームワーク
- Abstract要約: 大規模言語モデル推論とオンラインBERTベースの推論の両方に適用可能な統合バイナリ分類フレームワークを提案する。
大規模言語モデルでは,探索戦略と階層固有報酬関数を用いたステップワイズ推論手法を設計する。
オンラインBERTモデルでは、従来の分類ヘッドを複数のレベルワイドバイナリ分類器に置き換え、大規模言語モデルの能力をオンラインモデルに抽出する。
- 参考スコア（独自算出の注目度）: 43.91619034350257
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ranking relevance is a fundamental task in e-commerce search, directly affecting ranking quality and consumer experience. Although inherently an ordinal classification problem, it is commonly formulated as conventional multi-class classification, which overlooks the natural order among relevance levels and assigns equal penalties to adjacent and distant misclassifications. This mismatch leads to suboptimal learning objectives for practical relevance evaluation. To address this issue, we propose a unified cascaded binary classification framework applicable to both large language model inference and online BERT-based inference, which reformulates relevance estimation as a sequential decision process and decomposes multi-class prediction into a series of ordered binary judgments from higher to lower relevance tiers. For large language models, we design a step-wise reasoning procedure with pruning strategies and tier-specific reward functions. For the online BERT model, we replace the conventional classification head with multiple level-wise binary classifiers and distill the capabilities of large language models into the online model. Extensive offline industrial benchmark evaluations and online A/B experiments demonstrate that the proposed framework substantially improves relevance performance, reducing the online bad-case rate by 15.94\%. Further analyses suggest that tier-wise modeling is effective for relevance estimation.
- Abstract（参考訳）: ランキングの関連性はeコマース検索における基本的な課題であり、ランキングの質と消費者エクスペリエンスに直接影響を及ぼす。
本来は序列分類の問題であるが、一般的には従来の多階分類として定式化されており、関係レベル間の自然順序を無視し、隣接および遠距離の誤分類に等しい罰則を課している。
このミスマッチは,実践的妥当性評価のための準最適学習目標につながる。
この問題に対処するために,大規模言語モデル推論とオンラインBERTベースの推論の両方に適用可能な統合されたバイナリ分類フレームワークを提案する。
大規模言語モデルでは,探索戦略と階層固有報酬関数を用いたステップワイズ推論手法を設計する。
オンラインBERTモデルでは、従来の分類ヘッドを複数のレベルワイドバイナリ分類器に置き換え、大規模言語モデルの能力をオンラインモデルに抽出する。
大規模なオフライン産業ベンチマーク評価とオンラインA/B実験により、提案されたフレームワークは関連性能を大幅に改善し、オンラインのバッドケースレートを15.94\%削減することを示した。
さらに分析により,階層モデリングが妥当性推定に有効であることが示唆された。
関連論文リスト
- Beyond Flat Labels: Level-Restricted Contrastive Learning for Hierarchical Fine-Grained Vision Classification [50.20892407648858]
マルチモーダルコントラスト学習は、画像とテキストカテゴリを整列させることで、ゼロショットの視覚的分類を可能にした。
既存の手法は、しばしば分類学レベルで矛盾する予測を生成する。
本稿では,各分類レベルが適切な最適化を受けることを保証するグループバランス設計を提案する。
我々は、BioCLIPに基づいてTreeOfLife-10Mでモデルをトレーニングし、複数の階層分類ベンチマークで評価する。
論文 参考訳（メタデータ） (2026-06-20T02:12:05Z) - ClaHF: A Human Feedback-inspired Reinforcement Learning Framework for Improving Classification Tasks [11.138973570127206]
テキスト分類のための人間によるフィードバックに基づく強化学習フレームワークであるClaHFを提案する。
ClaHFは、追加の人間のアノテーションを必要とせずに、好みのモデリングとRL最適化を分類パイプラインに統合する。
ClaHFは多様な言語モデル間での分類性能と信頼性校正の両方を一貫して改善することを示した。
論文 参考訳（メタデータ） (2026-05-17T14:00:01Z) - IF-RewardBench: Benchmarking Judge Models for Instruction-Following Evaluation [85.56193980646981]
命令追従のための総合的メタ評価ベンチマークであるIF-RewardBenchを提案する。
各命令に対して、複数の応答間の全てのペアの選好を含む選好グラフを構築する。
IF-RewardBenchの実験は、現在の審査モデルに重大な欠陥を呈している。
論文 参考訳（メタデータ） (2026-03-05T02:21:17Z) - Enforcing Consistency and Fairness in Multi-level Hierarchical Classification with a Mask-based Output Layer [25.819440955594736]
分類を強制し、一貫性、公正性、正確な一致を含む目的を最適化するために設計された公正でモデルに依存しないレイヤを導入します。
評価の結果,提案した層は予測の公平性を向上するだけでなく,分類を強制し,一貫した予測と優れた性能をもたらすことが示された。
論文 参考訳（メタデータ） (2025-03-19T06:30:04Z) - OrdRankBen: A Novel Ranking Benchmark for Ordinal Relevance in NLP [6.6002656593260225]
ベンチマークデータセットは、公正な比較を保証するための標準化されたテストベッドを提供する上で、重要な役割を果たす。
既存のNLPランキングベンチマークでは、通常、二進関係ラベルまたは連続関係スコアを使用し、順序関係スコアを無視する。
OrdRankBenは、多粒度関連性の違いを捉えるために設計された新しいベンチマークである。
論文 参考訳（メタデータ） (2025-03-02T00:28:55Z) - Evaluating Generative Language Models in Information Extraction as Subjective Question Correction [49.729908337372436]
本稿では,新しい評価手法SQC-Scoreを提案する。
主観的質問訂正の原則に着想を得て,新しい評価手法SQC-Scoreを提案する。
3つの情報抽出タスクの結果から,SQC-Scoreは基準値よりもアノテータの方が好ましいことが示された。
論文 参考訳（メタデータ） (2024-04-04T15:36:53Z) - Coherent Entity Disambiguation via Modeling Topic and Categorical
Dependency [87.16283281290053]
従来のエンティティ曖昧化(ED)メソッドは、参照コンテキストと候補エンティティの一致するスコアに基づいて予測を行う、識別パラダイムを採用している。
本稿では,エンティティ予測のコヒーレンス向上を目的とした新しいデザインを備えたEDシステムであるCoherentedを提案する。
我々は、人気EDベンチマークにおいて、平均1.3F1ポイントの改善により、最先端の新たな結果を得る。
論文 参考訳（メタデータ） (2023-11-06T16:40:13Z) - Differentiable Retrieval Augmentation via Generative Language Modeling
for E-commerce Query Intent Classification [8.59563091603226]
本稿では,この問題を解決するために,ジェネレーティブなLanguageモデリング(Dragan)による識別可能な検索拡張を提案する。
本稿では,eコマース検索における難解なNLPタスク,すなわちクエリ意図分類における提案手法の有効性を示す。
論文 参考訳（メタデータ） (2023-08-18T05:05:35Z) - Unbiased Subdata Selection for Fair Classification: A Unified Framework
and Scalable Algorithms [0.8376091455761261]
このフレームワーク内の多くの分類モデルが混合整数凸プログラムとして再キャストできることを示した。
そして,提案問題において,分類結果の「解決不能な部分データ選択」が強く解決可能であることを示す。
これにより、分類インスタンスを解決するための反復精錬戦略(IRS)の開発を動機付けます。
論文 参考訳（メタデータ） (2020-12-22T21:09:38Z) - AliExpress Learning-To-Rank: Maximizing Online Model Performance without
Going Online [60.887637616379926]
本稿では,学習からランクへ学習するための評価器・ジェネレータフレームワークを提案する。
コンテキストを含むレコメンデーションを一般化して評価する評価器と、強化学習による評価器スコアを最大化するジェネレータとから構成される。
本手法は, オンラインA/Bテストにおける産業レベルの微調整モデルよりも, 変換率(CR)の面で大幅に向上する。
論文 参考訳（メタデータ） (2020-03-25T10:27:44Z)
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。