論文の概要: Overview of the TREC 2025 Product Search and Recommendation Track

• arxiv url: http://arxiv.org/abs/2608.17138v1
• Date: Mon, 17 Aug 2026 21:13:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.133327
• Title: Overview of the TREC 2025 Product Search and Recommendation Track
• Title（参考訳）: TREC 2025製品探索と推奨トラックの概要
• Abstract要約: 我々は以前TREC 2023とTREC 2024で実行されていた製品検索トラックの改訂および継続したバージョンを実行している。 関連製品レコメンデーションタスクは特に新しいもので、アノテートされた製品関係のデータセットを提供する。 このトラックから得られたデータは、対話型製品発見体験のためのビルディングブロックとして、ユーザニーズを反映した、より良いレコメンデーションと検索アプリケーションを可能にすることを期待する。
• 参考スコア（独自算出の注目度）: 56.17113795995271
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the past few years, consumers have moved the bulk of their product exploration and purchasing efforts online seeking speed, convenience, and price comparison with ease unimaginable for in-person shopping. As product catalogs have grown in diversity and size product search and recommendation have become a cornerstone for e-commerce sites. Despite the widespread usage of search engines in e-commerce, there is no high-quality dataset designed to evaluate end-to-end retrieval quality. In 2025, we ran a revised and continued version of the Product Search track previously run at TREC 2023 and TREC 2024. The 2025 product search track had two tasks: query expansion and related-product recommendation. The related-product recommendation task is particularly novel, providing an annotated data set of product relationships that distinguishes between complementary and related products. We anticipate the data from this track will enable better recommendation and search applications that reflect user needs, as a building block for conversational product discovery experiences.
• Abstract（参考訳）: 過去数年間、消費者は商品の探索と購入の努力の大部分をオンラインで、スピード、利便性、価格比較を求めて移動してきた。 製品カタログが多様化し、商品検索やレコメンデーションがeコマースサイトの基盤となっている。 eコマースにおける検索エンジンの普及にもかかわらず、エンドツーエンドの検索品質を評価するために設計された高品質なデータセットは存在しない。 2025年には、以前TREC 2023とTREC 2024で実行されていた製品検索トラックの改訂と継続版を実行しました。 2025年の製品検索トラックには、クエリ拡張と関連する製品レコメンデーションという2つのタスクがあった。 関連製品レコメンデーションタスクは特に新しいもので、補完的な製品と関連する製品とを区別する注釈付きデータセットを提供する。 このトラックから得られたデータは、対話型製品発見体験のためのビルディングブロックとして、ユーザニーズを反映した、より良いレコメンデーションと検索アプリケーションを可能にすることを期待する。

関連論文リスト

• Overview of the TREC 2025 Retrieval Augmented Generation (RAG) Track [52.136178637532886]
  TREC Retrieval Augmented Generation (RAG) トラックの第2版では、検索と生成を統合するシステムの研究が進められている。 2024年の最初のトラックの基盤として、今年の課題は、長い多文のナラティブクエリの導入である。 参加者は、透明性と事実的根拠を確保しながら、検索と生成を組み合わせたパイプラインを設計する。
  論文  参考訳（メタデータ） (2026-03-10T16:49:18Z)
• Overview of the TREC 2025 Tip-of-the-Tongue track [44.18900757791221]
  TREC 2025 ToTトラックは、単一のアドホック検索タスクに焦点を当てた。 今年は、トラックを一般ドメインに拡張し、さまざまなソースからさまざまなテストクエリを組み込んだ。
  論文  参考訳（メタデータ） (2026-01-28T14:51:52Z)
• Overview of the TREC 2023 Product Product Search Track [70.56592126043546]
  今年はTREC製品サーチトラックの最初の年だ。 焦点は再利用可能なコレクションの作成であった。 我々は、コンテキストメタデータを含む新しい製品検索コーパスを活用している。
  論文  参考訳（メタデータ） (2023-11-14T02:25:18Z)
• Multi-Objective Personalized Product Retrieval in Taobao Search [27.994166796745496]
  関連性, 露出性, クリック性, 購入性の4つの階層的最適化目標を持つ, 新規な多目的パーソナライズされた製品検索モデルを提案する。 MOPPRは28日間のオンラインA/Bテストで0.96%のトランザクションと1.29%のGMV改善を達成した。 2021年のDouble-11ショッピングフェスティバル以来、MOPPRは従来のMGDSPRに代わるモバイルタオバオ検索に完全に配備されている。
  論文  参考訳（メタデータ） (2022-10-09T05:18:42Z)
• ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest [60.841761065439414]
  Pinterestでは、ItemSageと呼ばれるプロダクトの埋め込みセットを構築して、すべてのショッピングユースケースに適切なレコメンデーションを提供しています。 このアプローチによって、エンゲージメントとコンバージョンメトリクスが大幅に改善され、インフラストラクチャとメンテナンスコストの両方が削減された。
  論文  参考訳（メタデータ） (2022-05-24T02:28:58Z)
• CUSTOM: Aspect-Oriented Product Summarization for E-Commerce [33.148235036915885]
  製品要約は、商品の説明を自動的に生成することを目的としています。 異なる製品面での顧客の好みを考えると、アスペクト指向のカスタマイズされた要約を生成するメリットがあるでしょう。 我々は,多様かつ制御可能な要約を異なる製品面に向けて生成するCUSTOMを提案する。
  論文  参考訳（メタデータ） (2021-08-18T07:26:22Z)
• Deep Learning-based Online Alternative Product Recommendations at Scale [0.2278231643598956]
  テキスト製品情報(例)の両方を使用します。 製品タイトルと説明)と代替製品を推奨する顧客の行動データ。 その結果, オフライン評価やリコール, 精度の面では, 代替製品のカバレッジが大幅に向上した。
  論文  参考訳（メタデータ） (2021-04-15T16:27:45Z)
• Modeling Product Search Relevance in e-Commerce [7.139647051098728]
  本稿では,検索クエリと商品の関連性を評価するためのロバストな手法を提案する。 BM25 や Indri のような従来の情報検索モデルと word2vec, sentence2vec, paragraph2vec といったディープラーニングモデルとの比較を行った。
  論文  参考訳（メタデータ） (2020-01-14T21:17:55Z)

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。