論文の概要: ICEGR: An Intent-Coherent End-to-End Generative Retrieval Framework for E-commerce Search

• arxiv url: http://arxiv.org/abs/2608.29652v2
• Date: Wed, 02 Sep 2026 11:51:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 15:35:44.742851
• Title: ICEGR: An Intent-Coherent End-to-End Generative Retrieval Framework for E-commerce Search
• Title（参考訳）: ICEGR:Eコマース検索のためのインテントコヒーレントなエンドツーエンド生成検索フレームワーク
• Abstract要約: Generative Retrieval (GR)はeコマース検索を約束している。 既存のメソッドは、トレーニングパイプライン全体を通してクエリインテリジェンスを維持するのに苦労している。 本稿では,Eコマース検索のための一貫したエンドツーエンド生成検索フレームワークICEGRを提案する。
• 参考スコア（独自算出の注目度）: 26.387550337217125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Retrieval (GR) is promising for e-commerce search, yet existing methods struggle to maintain query-intent consistency throughout the training pipeline. First, semantic ID (SID) construction based on static product information limits the ability of SIDs to encode product-intent associations. Second, although supervised fine-tuning (SFT) learns product-SID mappings across the catalog, low-exposure products still lack real query-intent supervision because query-to-SID training relies solely on online logs, resulting in poor retrieval performance for these products. Third, business-oriented preference optimization may favor popular or high-value products over those that best match the query intent, weakening query-product relevance. To address these issues, we propose ICEGR, an Intent-Coherent End-to-End Generative Retrieval Framework for E-commerce Search that integrates query intent consistently throughout the GR training pipeline. ICEGR comprises three components: (1) Intent-Aware SID Construction incorporates query-intent signals into SID construction, enabling SIDs to capture search intent beyond static product information; (2) Synthetic Query-Enhanced Unified SFT unifies multiple SFT tasks under the query-to-SID objective and augments sparse supervision from online logs with synthetic queries, providing complementary query-intent supervision for low-exposure products; and (3) Relevance-Calibrated Preference Optimization integrates query-product relevance and business signals into a margin-adaptive preference objective, preserving query intent while enabling business preference learning. Offline results show that ICEGR improves Recall@20 by 21.7% and NDCG@20 by 26.6% over the baseline. Deployed as an end-to-end generative retrieval pathway in Baidu E-commerce Search, ICEGR achieves relative improvements of 3.52% in CTR, 15.96% in order volume, and 7.53% in GMV in an A/B test.
• Abstract（参考訳）: Generative Retrieval (GR)はeコマース検索を約束するが、既存の方法はトレーニングパイプライン全体を通してクエリインテリジェンスを維持するのに苦労している。 まず、静的な製品情報に基づくセマンティックID(SID)構築は、製品意図の関連性を符号化するSIDの能力を制限する。 第二に、教師付き微調整(SFT)はカタログ全体にわたる製品-SIDマッピングを学習するが、クエリ-SIDトレーニングはオンラインログのみに依存しているため、低露光製品は真のクエリ-インテリジェンスを欠いている。 第三に、ビジネス指向の選好最適化は、クエリの意図に最も適している製品よりも、人気製品や高価値製品を好む可能性があり、クエリの製品関連性が弱まる。 これらの問題に対処するため,ICEGR を提案する。ICEGR は Intent-Coherent End-to-End Generative Retrieval Framework for E-Commerce Search である。 Intent-Aware SID Constructionは、SID構築にクエリインテント信号を組み込み、SIDが静的な製品情報を超えて検索インテントを捕捉できるようにする。(2)Synthetic Query-Enhanced Unified SFTは、クエリ・トゥ・SIDの目的の下で複数のSFTタスクを統一し、合成クエリによるオンラインログからのスパース監視を強化し、低露出製品に対する補完的なクエリインテント監視を提供する。 オフラインの結果、ICEGRはRecall@20を21.7%改善し、NDCG@20を26.6%改善した。 Baidu E-Commerce Searchのエンドツーエンド生成検索パスとしてデプロイされたICEGRは、CTRで3.52%、注文数で15.96%、A/Bテストで7.53%の相対的な改善を実現している。

関連論文リスト

• VARG: Value-Aware and Ranking-Aligned Generative Retrieval for Dynamic E-commerce Search [7.64283018838172]
  VARGはTmall App検索用の生成検索システムで、生成したアイテム候補を既存の最終ランク付け者に直接承認する。 3段階の教師による微調整は、アイテム・ツー・アイデンティティーのマッピング、クエリ・セマンティック検索、パーソナライズされた検索を徐々に学習する。 Prefix-GRPOは、出力の合法性、ユーザ行動、ランキングの優位性、検索関連性に基づくゲート報酬とプレフィックス対応トークン重み付けを組み合わせ、候補生成をビジネス価値とランキング目標に整合させる。
  論文  参考訳（メタデータ） (2026-09-13T12:59:04Z)
• TSGR: Taobao Search Generative Retrieval [32.4338892898415]
  アイテム表現と候補ランキングの両方に価値意識を組み込んだ統合生成検索フレームワークを提案する。 $textbfT$aobao $textbfS$earch $textbfG$enerative $textbfR$etrieval$textbfTSGR$ GRで構築され、共同で最適化された$textbfVRM$により、単一のモデルをレトリバーとプリランカの両方としてシームレスに機能させることができる。
  論文  参考訳（メタデータ） (2026-07-21T07:17:43Z)
• Efficient Generative Retrieval for E-commerce Search with Semantic Cluster IDs and Expert-Guided RL [8.046510111008638]
  生成検索は、断片化された多段階検索プロセスを単一のエンドツーエンドモデルに統一することで、有望な代替手段を提供する。 本稿では,実世界のリコールシナリオに適した検索フレームワークを提案し,生成的検索をエンド・ツー・エンドの置き換えではなく,リコール・ステージ・サプリメントとして位置付ける。
  論文  参考訳（メタデータ） (2026-05-14T06:27:46Z)
• 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)
• Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [89.58253972744531]
  Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。 我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。 本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
  論文  参考訳（メタデータ） (2026-03-09T18:20:20Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• IntSR: An Integrated Generative Framework for Search and Recommendation [23.773378364635523]
  IntSRは検索とレコメンデーションのための統合生成フレームワークである。 異なるクエリモーダルを使って、これらの異なるタスクを統合する。 IntSRはAmapのさまざまなシナリオでうまくデプロイされている。
  論文  参考訳（メタデータ） (2025-09-25T13:58:33Z)
• FORGE: Forming Semantic Identifiers for Generative Retrieval in Industrial Datasets [64.51403245281547]
  FORGEは、産業データセットを使ったジェネレーティブrEtrievalにおけるFOrmingセマンティック識別のベンチマークである。 現実世界のアプリケーションでは、オンラインコンバージェンスを半減するオフライン事前トレーニングスキーマが導入されている。
  論文  参考訳（メタデータ） (2025-09-25T08:44:22Z)
• OneSearch: A Preliminary Exploration of the Unified End-to-End Generative Framework for E-commerce Search [43.94443394870866]
  OneSearchは、eコマース検索のための最初の産業向けエンドツーエンド生成フレームワークである。 OneSearchは運用費を75.40%削減し、Model FLOPsの利用を3.26%から27.32%に改善した。 このシステムはKuaishouの複数の検索シナリオにまたがって展開され、数百万のユーザーにサービスを提供している。
  論文  参考訳（メタデータ） (2025-09-03T11:50:04Z)
• DeepShop: A Benchmark for Deep Research Shopping Agents [70.03744154560717]
  DeepShopは、複雑なリアルなオンラインショッピング環境でWebエージェントを評価するために設計されたベンチマークである。 5つの人気のあるオンラインショッピングドメインに多様なクエリを生成します。 エージェントの性能をきめ細かな面から評価する自動評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-03T13:08:17Z)
• EcomScriptBench: A Multi-task Benchmark for E-commerce Script Planning via Step-wise Intention-Driven Product Association [83.4879773429742]
  本稿では,E-Commerce Script Planning(EcomScript)の課題を3つの逐次サブタスクとして定義する。 本稿では,各ステップに製品を関連付けることで,拡張性のある製品リッチスクリプトの生成を可能にする新しいフレームワークを提案する。 最初の大規模なEcomScriptデータセットであるEcomScriptBenchを構築しました。
  論文  参考訳（メタデータ） (2025-05-21T07:21:38Z)

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。