論文の概要: SPEAR: Selection-aware Personalized End-to-end Adaptive Rewriting and Retrieval for Community Search

• arxiv url: http://arxiv.org/abs/2608.01738v1
• Date: Mon, 03 Aug 2026 06:03:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.345527
• Title: SPEAR: Selection-aware Personalized End-to-end Adaptive Rewriting and Retrieval for Community Search
• Title（参考訳）: SPEAR: コミュニティ検索のためのパーソナライズされたエンド・ツー・エンド適応書き換えと検索
• Abstract要約: 1つの障害モードをターゲットにした3つのコンポーネントを統合するSPEARを提案する。 提案されたフレームワークは、書き直しセマンティックな類似性@10を +18.2 で改善し、リコール@10を +99.5 でプロダクションベースラインでクリックする。
• 参考スコア（独自算出の注目度）: 16.046037914956504
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Query reformulation bridges user intent and retrieval in e-commerce search, yet production systems optimize rewrite quality and retrieval effectiveness separately, leaving the two stages structurally misaligned. Path-based architectures unify them end-to-end but were designed for personalization, where relevance is not an explicit constraint-search additionally requires the rewrite to remain faithful to the user's stated query intent. Transplanted directly, these models learn a shortcut we term the generic-word dominance effect: they favor generic rewrites that score well on paths but drift from query intent. To address this, we propose SPEAR (Selection-aware Personalized End-to-end Adaptive Rewriting and Retrieval), which integrates three components that each target one failure mode: (1) a dual-embedding backbone with auxiliary loss and gradient isolation that shields recall-side semantics from being eroded by CTR-driven ranking signals; (2) a multiplicative gating aggregator that lets a rewrite score high only when both its confidence and item relevance are strong, eliminating the generic-word shortcut; (3) a Dynamic Rewrite Selector that jointly generates request-specific rewrite weights and user-query-conditioned scale and bias terms, allowing both rewrite preference and relevance calibration to adapt to each request. Offline evaluation on 100K held-out industrial search sessions shows that the proposed framework improves rewrite semantic similarity@10 by +18.2 and click recall@10 by +99.5 over the production baseline. In online A/B testing, SPEAR achieves +0.259 in query-view CTR and +0.733 in average reading depth, confirming that improved rewrite selection translates into stronger retrieval and deeper user engagement. The proposed SPEAR system has been fully deployed in Dewu's community search platform since 2025. Our code is available at https://github.com/mallocagi1-cell/spear.
• Abstract（参考訳）: クエリ再構成は、Eコマース検索におけるユーザ意図と検索を橋渡しするが、プロダクションシステムは、書き換え品質と検索効率を個別に最適化し、2つのステージは構造的に不一致である。 パスベースのアーキテクチャはそれらをエンドツーエンドに統一するが、パーソナライズのために設計された。 これらのモデルは直接移植され、ジェネリックワード支配効果(ジェネリックワード支配効果)と呼ばれるショートカットを学習する。 この問題を解決するために,SPEAR (Selection-aware Personalized End-to-end Ad-aptive Rewriting and Retrieval) という,1つの障害モードを対象とする3つのコンポーネントを統合する。(1) CTRによるランキング信号によるリコール側のセマンティクスの侵食を阻止する,二重埋め込みバックボーン,(2) 信頼性と項目関連性の両方が強い場合にのみリライトスコアを高くする乗算ゲーティングアグリゲータ,(3) 要求固有のリライトウェイトとユーザ条件付きスケールとバイアス条件を共同生成する動的リライトセレクタ。 100Kの産業検索セッションのオフライン評価は、提案されたフレームワークが書き直しセマンティック類似性@10を +18.2 で改善し、リコール@10を +99.5 でプロダクションベースラインでクリックすることを示している。 オンラインA/Bテストにおいて、SPEARはクエリビューCTRで+0.259、平均読み取り深度で+0.733を達成し、書き直し選択の改善がより強力な検索とより深いユーザエンゲージメントに変換されることを確認した。 提案されたSPEARシステムは2025年からDewuのコミュニティ検索プラットフォームに完全にデプロイされている。 私たちのコードはhttps://github.com/mallocagi1-cell/spear.comから入手可能です。

関連論文リスト

• VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
  VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。 100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。 強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
  論文  参考訳（メタデータ） (2026-08-18T15:23:06Z)
• FaLCon: Facet-Anchored Retrieval with Late Consensus for Sim2Real Text-Based Person Anomaly Search [0.8609344172589112]
  テキストベースの人物異常検索では、詳細な自然言語記述から現実世界の歩行者画像を取得する必要がある。 このSim2Real設定は、視覚的に類似した候補が微妙なアクション、オブジェクトのインタラクション、外観属性でのみ異なる可能性があるため、特に難しい。 本稿では,大域的意味マッチングと細粒度検証を組み合わせたアンカー制約付き粗粒度検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-10T11:42:52Z)
• Harness-G: A Graph-Structured Harness for Search Agents [17.554676400013424]
  強化学習(RL)検索エージェントは、検索を自由形式の自然言語クエリ生成としてモデル化する。 本稿では,このインタフェースを再設計するグラフ構造化検索フレームワークであるHarness-Gを提案する。 フリーフォームクエリ生成を有限アクション選択として再構成し、環境はメニューを構築し、検索状態を追跡し、それぞれの選択を検証、実行します。 両方の評価されたモデルスケールでF1の平均値が最も高く、最強のベースラインであるGraph-R1を1.5Bで10.74点、3Bで3.98点で上回っている。
  論文  参考訳（メタデータ） (2026-07-30T04:05:05Z)
• F-GRPO: Factorized Group-Relative Policy Optimization for Unified Candidate Generation and Ranking [79.49893545611779]
  大規模言語モデル(LLM)はサブセットを生成し、それを1つの自己回帰パス内で順序付けることができる。 この柔軟性は、新しい最適化課題をもたらす: モデルが出力空間を検索し、完全なランクリストが生成された後にのみユーティリティフィードバックを受けなければならない。 このクレジット割り当てギャップは、エンドツーエンドの最適化を不安定にし、サンプル非効率にする。 本稿では,単一自己回帰的ロールアウト内の両方を実行する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-13T04:52:33Z)
• Test-Time Strategies for More Efficient and Accurate Agentic RAG [58.44913384057518]
  Retrieval-Augmented Generation (RAG) システムは複雑なマルチホップ問題に直面している。 このような手法は、以前に処理された情報の反復的な検索を含む非効率性を導入することができる。 本稿では,これらの問題を軽減するために,サーチ-R1パイプラインに対するテスト時間修正について検討する。
  論文  参考訳（メタデータ） (2026-03-12T19:18:59Z)
• Not All Queries Need Rewriting: When Prompt-Only LLM Refinement Helps and Hurts Dense Retrieval [0.11280931253550518]
  最適化された垂直領域では,プロンプトのみの書き換えが有害であることを示す。 我々は一貫したメカニズムを同定する: 語彙のアライメントを減らした項を共起的に書き換える。 ドメイン適応的なポストトレーニングは、監督や暗黙のフィードバックが利用可能であれば、より安全な戦略であると提案する。
  論文  参考訳（メタデータ） (2026-03-02T10:40:10Z)
• When & How to Write for Personalized Demand-aware Query Rewriting in Video Search [8.058642819633915]
  我々は、Personalized Demand-aware Query Rewritingフレームワークを書いている。 WeWriteは、いつ書き込むか、どのように書き込むか、デプロイするかの3つの主要な課題に取り組む。 大規模なビデオプラットフォーム上でのオンラインA/Bテストでは、WeWriteがClick-Through Video Volume (VV$>10s)を1.07%改善し、クエリ修正率を2.97%削減したことが示されている。
  論文  参考訳（メタデータ） (2025-12-17T07:00:14Z)
• Adaptive Query Rewriting: Aligning Rewriters through Marginal Probability of Conversational Answers [66.55612528039894]
  AdaQRは、シードデータセットからの限定的な書き直しアノテーションと完全にパスラベルのないクエリ書き換えモデルをトレーニングするフレームワークである。 会話クエリに条件付き回答の確率を用いて,これらの候補に対する検索者の嗜好を評価する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-06-16T16:09:05Z)
• LLM-R2: A Large Language Model Enhanced Rule-based Rewrite System for Boosting Query Efficiency [65.01402723259098]
  本稿では,LLM-R2 という新しいクエリ書き換え手法を提案する。 実験結果から,本手法はクエリ実行効率を大幅に向上し,ベースライン法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-04-19T13:17:07Z)
• Ask Optimal Questions: Aligning Large Language Models with Retriever's Preference in Conversation [23.74712435991676]
  RetPOは、ターゲット検索システムの好みに合わせて検索クエリを再構成する言語モデルを最適化するように設計されている。 我々は、12Kの会話で410K以上のクエリを書き換えるRetrievers' Feedbackと呼ばれる大規模なデータセットを構築した。 その結果,2つのベンチマークにおいて,従来のリライト・ザ・リトリーブ・アプローチの最先端性能を上回る優位性を示した。
  論文  参考訳（メタデータ） (2024-02-19T04:41:31Z)
• SpellMapper: A non-autoregressive neural spellchecker for ASR customization with candidate retrieval based on n-gram mappings [76.87664008338317]
  文脈スペル補正モデルは、音声認識を改善するために浅い融合に代わるものである。 ミススペルn-gramマッピングに基づく候補探索のための新しいアルゴリズムを提案する。 Spoken Wikipediaの実験では、ベースラインのASRシステムに比べて21.4%のワードエラー率の改善が見られた。
  論文  参考訳（メタデータ） (2023-06-04T10:00:12Z)
• CRACT: Cascaded Regression-Align-Classification for Robust Visual Tracking [97.84109669027225]
  改良された提案改良モジュールCascaded Regression-Align- Classification (CRAC)を導入する。 CRACは多くのベンチマークで最先端のパフォーマンスを得る。 OTB-2015、UAV123、NfS、VOT-2018、TrackingNet、GOT-10k、LaSOTを含む7つのベンチマークの実験において、我々のCRACTは最先端の競合他社と比較して非常に有望な結果を示している。
  論文  参考訳（メタデータ） (2020-11-25T02:18:33Z)

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。