論文の概要: Dear Algo: A Precision-First Agentic Intent Layer for Unified Search and Recommendation
- arxiv url: http://arxiv.org/abs/2608.15877v1
- Date: Sun, 16 Aug 2026 17:59:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.458161
- Title: Dear Algo: A Precision-First Agentic Intent Layer for Unified Search and Recommendation
- Title（参考訳）: Dear Algo: 統一検索とレコメンデーションのための精密ファーストエージェントインテント層
- Abstract要約: emphmore NBA News や emphless politics といったオープンエンドのリクエストは、ワンショットの結果リストではなく、その後のフィードレコメンデーションを操縦する。
Dear Algo on Threadsは、明示的に、推論され、ネガティブで、複雑なインテントを、地上の実行可能なプランにコンパイルする。
提案手法は, 精度優先評価フレームワークを用いて, フィードレコメンデーションに自然言語の意図がどのように適用できるかを示す。
- 参考スコア（独自算出の注目度）: 14.580988352516457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Search and recommendation serve a shared discovery objective but encode intent differently. We study this boundary through Dear Algo on Threads, a deployed product where open-ended requests such as \emph{more NBA news} or \emph{less politics} steer subsequent feed recommendations rather than return a one-shot result list. Its agentic intent layer compiles explicit, inferred, negative, and compound intent into a grounded executable plan, then invokes conventional retrieval and optional semantic or multimodal reranking. The layer shares an intent-to-retrieval contract without requiring one model or serving path across search-like and recommendation-like modes. We evaluate Dear Algo under a precision-first objective. In a blinded audit of 300 public request-item pairs (296 evaluable), a strict categorical LLM-as-a-judge gate achieved 94.4\% exact-Relevant precision [88.8\%, 98.9\%]. Across 72 normalized request clusters, the full configuration produced 7.73 judge-qualified candidates per 20 slots versus 6.61 for an LLM-derived-query baseline, a gain of 1.11 [0.12, 2.12]. In a candidate-randomized serving-path study restricted to the reranker path's first 72 eligible hours, the user-weighted judge-Irrelevant share among judged admissions was 2.80\% versus 4.78\% off (-1.97 points [-3.02, -0.94]), while Exact-Relevant share was 2.24 points higher [0.08, 4.41]. Together, these studies show how explicit natural-language intent can be carried into feed recommendation under a precision-first evaluation framework
- Abstract（参考訳）: 検索とレコメンデーションは共有された発見目標を提供するが、意図を異なる方法でエンコードする。
スレッド上でのDear Algoを通じて、このバウンダリを調査する。これはデプロイされた製品で、ワンショット結果リストを返すのではなく、‘emph{more NBA News} や‘emph{less politics} などのオープンエンドリクエストが後続のフィードレコメンデーションを操縦する。
そのエージェントインテント層は、明示的、推論的、否定的、複合的なインテントを基底化された実行計画にコンパイルし、その後、従来の検索とオプションのセマンティックまたはマルチモーダルリグレードを起動する。
レイヤは、検索やレコメンデーションのようなモードで、1つのモデルやサービスパスを必要とせずに、検索と検索の契約を共有します。
我々はDear Algoを精度優先で評価した。
300対の公開要求項目ペア(296評価可能)の盲目監査では、厳密なカテゴリーのLSM-as-a-judgeゲートが94.4\%の正確な関連精度(88.8\%,98.9\%)を達成した。
72の正規化された要求クラスタにまたがって、フル構成では20スロット当たり7.73の判定適格候補が生成され、LCM由来のクエリベースラインは6.61で、1.11[0.12, 2.12]のゲインを得た。
リランカーパスの最初の72時間に制限された候補ランダム化サーブパス研究では、審査対象の判定対象の判定対象の判定対象の判定対象の判定対象の判定対象の判定対象の判定対象の判定対象の判定対象の判定対象の判定対象の判定対象の判定対象の判定対象の判定対象の判定対象の判定対象の判定対象の判定対象は2.80\%対4.78\%オフ(1.97ポイント[-3.02,-0.94])、エクサクト関連の割合は2.24ポイント上(0.08,441]であった。
これらの研究は、精度第一の評価枠組みの下で、いかに明確な自然言語意図をフィードレコメンデーションに組み込むことができるかを示すものである。
関連論文リスト
- Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。
反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
論文 参考訳（メタデータ） (2026-09-02T08:10:22Z) - Small Language Models as Judges for Rubric-Based Reinforcement Learning [57.707881387886516]
より小型の言語モデルが,より効率的かつ信頼性の高いルーリック・ベース・ジャッジとして機能するかどうかを考察する。
生成的評定,Yes/No Logprobマージン,Probe judgesの3つの基準レベルの判断を,小モデルから抽出する方法を比較した。
どちらのデータセットでも、Qwen3-1.7B Probeの審査員はこれらの方法の中で最強の基準レベルの合意を達成している。
論文 参考訳（メタデータ） (2026-08-30T20:00:17Z) - Efficient GPU Retrieval for Semantic Search [11.631441668563802]
本稿では、LinkedInのポリシー整合型検索フレームワークを提案する。
軽量のシングルスロットStage-1スコアラは、ハイリコール候補を生成する。
21Kのホールドアウトクエリでは、この表現は一致した容量ベースラインに対するオフラインの関連性を改善する。
論文 参考訳（メタデータ） (2026-08-29T00:38:27Z) - Harness-IF: Evaluating Instruction Following Across Instruction Surfaces in Coding Agents [29.96375986740068]
Harness-IFは、実行証拠から一度に1つの運用ルールをスコアする。
AP-Accは、不正なデフォルトに対してラベル付けされたルールのみをスコアする。
論文 参考訳（メタデータ） (2026-08-12T07:07:57Z) - Modality-Driven Search with Holistic Trace Judging for ARC-AGI-2 [0.0]
数ショットのビジュアル推論ベンチマークであるARC-AGI-2の解法について述べる。
テキスト、画像、コードチャネルにまたがって、さまざまな候補を生成する。
自己整合性や多数決とは違って、モーダルな答えが間違っているタスクに関する正しいマイノリティな仮説を確実に復元する。
論文 参考訳（メタデータ） (2026-06-30T11:55:33Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - When Is an LLM Worth It for Hyperparameter Optimization? A Budget-Matched Study on Tabular Data Finds the Warm-Start Is a Default Configuration, Not the Model [0.0]
大規模言語モデル(LLM)は、事前知識から"ウォームスタート"検索を行うハイパーパラメータ最適化(HPO)アドバイザとして提案されている。
8つのPMLBベンチマークで、予算に適合したマルチシーズプロトコルで、この主張を検証します。
論文 参考訳（メタデータ） (2026-06-19T17:52:36Z) - AbstRAG: Learning to Abstract for Retrieval Problems [23.379898867224355]
AbstRAGは、クエリ-エビデンスギャップを、式、概念、インテント-エビデンス、イベントタイプコンポーネントに分解する。
21対のブートストラップのコントラストのうち18のnDCG@10よりも優れており、生成精度は1.9%、5.2%、および4.0%向上している。
論文 参考訳（メタデータ） (2026-06-08T13:14:01Z) - Step-wise Rubric Rewards for LLM Reasoning [72.17879367869503]
RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論を改善するために広く使われている。
正しい回答の18.2%は間違っているが、肯定的な報酬がある。
6つの数学的推論ベンチマークで、SRaRはRaRの平均精度を3.57ポイント改善した。
論文 参考訳（メタデータ） (2026-05-17T07:08:14Z) - Iterative Nash Policy Optimization: Aligning LLMs with General Preferences via No-Regret Learning [55.65738319966385]
我々は、新しいオンラインアルゴリズム、反復的ナッシュポリシー最適化(INPO)を提案する。
従来の方法とは異なり、INPOは個々の応答に対する期待される勝利率を推定する必要性を回避している。
LLaMA-3-8BベースのSFTモデルで、INPOはAlpacaEval 2.0で42.6%、Arena-Hardで37.8%の勝利率を達成した。
論文 参考訳（メタデータ） (2024-06-30T08:00:34Z) - Query Performance Prediction using Relevance Judgments Generated by Large Language Models [53.97064615557883]
自動生成関連判定(QPP-GenRE)を用いた新しいクエリ性能予測(QPP)フレームワークを提案する。
QPP-GenREは、QPPを独立したサブタスクに分解し、ランクリスト内の各項目の関連性を所定のクエリに予測する。
我々は,オープンソースの大規模言語モデル (LLM) を用いて,科学的妥当性を確保することにより,項目の関連性を予測する。
論文 参考訳（メタデータ） (2024-04-01T09:33:05Z) - Progressive End-to-End Object Detection in Crowded Scenes [96.92416613336096]
以前のクエリベースの検出器は2つの欠点に悩まされていた: まず、複数の予測が1つのオブジェクトに対して推論される。
具体的には、まず受理されたクエリを選択して正の予測を生成し、その後、受理された予測に従って残雑音のあるクエリを精査する。
提案手法は,混み合ったシーンにおける問合せ型検出器の性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2022-03-15T06:12:00Z)
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。