論文の概要: Improving Item Discoverability in e-Commerce Search via Related Intent Generation

• arxiv url: http://arxiv.org/abs/2607.27172v1
• Date: Wed, 29 Jul 2026 17:46:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.767171
• Title: Improving Item Discoverability in e-Commerce Search via Related Intent Generation
• Title（参考訳）: 関連コンテンツ生成によるeコマース検索における項目発見性の向上
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.305233699377622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional search systems are optimized to retrieve items that strictly match a query, often prioritizing precision over recall. In e-commerce marketplaces and particularly grocery, this paradigm is limiting, as user satisfaction and commercial outcomes depend heavily on the discoverability of substitute, complementary, and thematically related items. In this paper, we present a scalable system for discovery-augmented search that leverages intent-conditioned recall expansion. Our approach generates implicit user intents to expand candidate recall while maintaining relevance. The system addresses the cost-quality tradeoff of generative retrieval through a two-stage hybrid architecture. First, we leverage closed-weight large language models (LLMs) to maximize discoverability for head queries. To extend these benefits to tail queries, we then introduce a finetuned small language model (SLM), trained via LoRA adapters and teacher-student distillation. We evaluate the system using a rigorous dual framework: (a) LLM-as-a-judge metrics validated against human preferences for semantic quality, and (b) end-to-end session-level purchase analysis. Results demonstrate that our approach improves both intent generation quality and downstream retrieval effectiveness, extending discovery coverage from approximately 60% to 80% of query traffic at roughly 30% of the teacher model's inference cost, offering a viable path for deployment in large-scale marketplaces. Beyond relevance gains, discovery-augmented search may serve as a marketplace-balancing mechanism, giving long-tail and emerging supply an opportunity for query-conditioned exposure.
• Abstract（参考訳）: 従来の検索システムは、クエリに厳密にマッチするアイテムを検索するために最適化されており、しばしばリコールよりも精度を優先する。 電子商取引市場、特に食料品市場では、ユーザー満足度と商業的成果が代替品、補完品、およびテーマ関連アイテムの発見可能性に大きく依存するため、このパラダイムは制限されている。 本稿では,意図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。 このシステムは、2段階のハイブリッドアーキテクチャによる生成的検索のコスト-品質トレードオフに対処する。 まず,ヘッドクエリの発見可能性を最大化するために,閉じた重み付き大言語モデル(LLM)を利用する。 これらの利点を末尾クエリに拡張するために、LoRAアダプタと教師学生蒸留を用いて訓練された微調整された小言語モデル(SLM)を導入する。 厳格な双対フレームワークを用いてシステムを評価する。 (a)LLM-as-a-judgeメトリクスは、意味的品質に対する人間の嗜好に対して検証され、 b) エンドツーエンドのセッションレベルの購入分析。 提案手法は,教師モデルの推論コストの約30%で検索トラフィックの約60%から80%の範囲を拡大し,大規模市場への展開に有効な経路を提供する。 関連性の向上以外にも、探索強化検索はマーケットプレースバランスのメカニズムとして機能し、ロングテールと新興サプライヤがクエリ条件で露出する機会を提供する。

関連論文リスト

• OneSearch-V2: The Latent Reasoning Enhanced Self-distillation Generative Search Framework [41.83974943844478]
  Generative Retrieval (GR) は現代の検索システムにとって有望なパラダイムである。 OneSearchは、産業規模で展開されたジェネレーティブ検索フレームワークとして、商業的および運用上の大きなメリットをもたらしている。 自己蒸留型生成検索フレームワークである textbfOneSearch-V2 を提案する。
  論文  参考訳（メタデータ） (2026-03-25T15:33:34Z)
• Aligning Large Language Models with Searcher Preferences [26.974618053554394]
  オープンな生成検索のための最初の大規模言語モデル(LLM)であるSearchLLMを紹介する。 ボトムライン制約を分離する階層型多次元報酬システムの設計を行う。 オフライン評価とオンラインA/Bテストでは、生成品質とユーザエンゲージメントが改善されている。
  論文  参考訳（メタデータ） (2026-03-11T06:44:30Z)
• AdaSearch: Balancing Parametric Knowledge and Search in Large Language Models via Reinforcement Learning [61.974530499621274]
  検索への過度な依存は、ノイズや悪意のあるコンテンツに対する不必要なコストとリスクをもたらす。 本稿では,探索を起動するか否かの判断から問題を解き放つ2段階の結果駆動型RLフレームワークを提案する。 AdaSearchは知識境界認識を大幅に改善し、不要な検索コールを削減し、タスクパフォーマンスを強く保ち、透明性と解釈可能な意思決定行動を提供する。
  論文  参考訳（メタデータ） (2025-12-18T18:50:01Z)
• Rethinking On-policy Optimization for Query Augmentation [49.87723664806526]
  本稿では,様々なベンチマークにおいて,プロンプトベースとRLベースのクエリ拡張の最初の体系的比較を示す。 そこで我々は,検索性能を最大化する擬似文書の生成を学習する,新しいハイブリッド手法 On-policy Pseudo-document Query Expansion (OPQE) を提案する。
  論文  参考訳（メタデータ） (2025-10-20T04:16:28Z)
• 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)
• Optimizing Recall or Relevance? A Multi-Task Multi-Head Approach for Item-to-Item Retrieval in Recommendation [23.61568268070558]
  本稿では,ハイリコールとセマンティック関連性を両立するマルチタスクとマルチヘッドI2I検索モデルを提案する。 MTMHは数十億のユーザを対象とする商用プラットフォームのプロプライエタリなデータを用いて評価し、リコールを最大14.4%改善し、セマンティック関連性を最大56.6%向上させることができることを示した。
  論文  参考訳（メタデータ） (2025-06-06T17:00:20Z)
• Automated Query-Product Relevance Labeling using Large Language Models for E-commerce Search [3.392843594990172]
  クエリとプロダクトのペアをアノテートするための従来のアプローチは、人間ベースのラベリングサービスに依存している。 本研究では,Large Language Models (LLMs) が,人間ラベル作成者に必要な時間とコストのごく一部で,このタスクにおける人間レベルの精度にアプローチ可能であることを示す。 この拡張性のある人間のアノテーションの代替は、情報検索領域に重大な影響を及ぼす。
  論文  参考訳（メタデータ） (2025-02-21T22:59:36Z)
• Fast or Better? Balancing Accuracy and Cost in Retrieval-Augmented Generation with Flexible User Control [52.405085773954596]
  Retrieval-Augmented Generationは、大規模な言語モデル幻覚を緩和するための強力なアプローチとして登場した。 既存のRAGフレームワークは、しばしば無差別に検索を適用し、非効率な再検索につながる。 本稿では,精度・コストのトレードオフを動的に調整できる新しいユーザ制御可能なRAGフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:56:20Z)
• Semantic Ads Retrieval at Walmart eCommerce with Language Models Progressively Trained on Multiple Knowledge Domains [6.1008328784394]
  Walmart.comの広告検索システムを最適化するために,エンド・ツー・エンドのソリューションを提案する。 当社のアプローチは,製品カテゴリ情報を用いたBERTライクな分類モデルを事前学習することである。 ベースラインDSSMベースのモデルと比較して,検索関連度を最大16%向上させる。
  論文  参考訳（メタデータ） (2025-02-13T09:01:34Z)
• 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)
• Synergistic Interplay between Search and Large Language Models for Information Retrieval [141.18083677333848]
  InteRにより、RMはLLM生成した知識コレクションを使用してクエリの知識を拡張することができる。 InteRは、最先端手法と比較して総合的に優れたゼロショット検索性能を実現する。
  論文  参考訳（メタデータ） (2023-05-12T11:58:15Z)
• 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)

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。