論文の概要: Generative Retrieval for E-commerce: Jointly Learning Embedding and Codebook with Same Product Cluster

• arxiv url: http://arxiv.org/abs/2608.30606v1
• Date: Mon, 31 Aug 2026 11:18:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.359522
• Title: Generative Retrieval for E-commerce: Jointly Learning Embedding and Codebook with Same Product Cluster
• Title（参考訳）: Eコマースのためのジェネレーティブ検索 - 同じプロダクトクラスタで埋め込みとコードブックを共同学習
• Abstract要約: 生成的検索は、電子商取引のシナリオにおいてますます重要になりつつある。 現在の主流のアプローチでは、まず製品埋め込みモデルをトレーニングし、次に製品IDに埋め込みをマッピングするコードブックを学ぶという、2段階のトレーニング戦略が一般的です。 本稿では,埋め込みモデルとコードブックを共同で学習し,製品クラスタ情報を付加的な監視信号として組み込む手法を提案する。
• 参考スコア（独自算出の注目度）: 5.578336351747758
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With the development of large language models (LLMs), generative retrieval is becoming increasingly important in e-commerce scenarios. Current mainstream approaches typically use a two-stage training strategy: first train a product embedding model, and then learn a codebook that maps embeddings to product IDs. This cascaded approach suffers from two major issues: (1) error accumulation-if the embedding model in the first stage produces biased representations, the codebook in the second stage cannot correct these errors, degrading final retrieval performance; and (2) codebook learning relies solely on product embeddings and lacks modeling of query-to-product and product-to-product interactions. As a result, products belonging to the same cluster may be assigned inconsistent IDs by the codebook, further hurting retrieval accuracy. To address these problems, we propose a novel method that jointly trains the embedding model and the codebook, and incorporates same product cluster information as an additional supervision signal. Experimental results demonstrate that our method significantly improves e-commerce retrieval performance while simultaneously enhancing both embedding and codebook learning.
• Abstract（参考訳）: 大規模言語モデル (LLM) の開発に伴い, 生成的検索は電子商取引のシナリオにおいてますます重要になりつつある。 現在の主流のアプローチでは、まず製品埋め込みモデルをトレーニングし、次に製品IDに埋め込みをマッピングするコードブックを学ぶという、2段階のトレーニング戦略が一般的です。 このケースケードアプローチは,(1) 誤り蓄積モデルがバイアス表現を生成する場合,(2) 第二段階のコードブックでは誤りの訂正ができず,最終検索性能が低下する場合,(2) コードブック学習は製品埋め込みのみに依存し,クエリ・ツー・製品間相互作用と製品間相互作用のモデリングが欠如している,という2つの大きな問題に悩まされている。 その結果、同一クラスタに属する製品は、コードブックによって一貫性のないIDを割り当てることができ、さらに検索精度を損なうことができる。 これらの問題に対処するために,埋め込みモデルとコードブックを協調的に訓練し,製品クラスタ情報を付加的な監視信号として組み込む手法を提案する。 実験により,本手法は埋め込み学習とコードブック学習の両方を同時に強化しながら,電子商取引検索性能を著しく向上することが示された。

関連論文リスト

• Readability-Robust Code Summarization via Meta Curriculum Learning [53.44612630063336]
  現実の世界では、コードが貧弱な構造や難読化され、モデルのパフォーマンスが著しく低下することが多い。 本稿では,可読性の低いコードに対するコード要約の堅牢性を向上する,新しい微調整手法であるRoFTCodeSumを提案する。
  論文  参考訳（メタデータ） (2026-01-09T02:38:24Z)
• Large Reasoning Embedding Models: Towards Next-Generation Dense Retrieval Paradigm [16.78399933831573]
  本稿では、推論過程を表現学習に統合するLarge Reasoning Embedding Model(LREM)を提案する。 難解なクエリに対して、LREMはまず、元のクエリの深い理解を達成するために推論を行い、その後、検索のための推論拡張クエリ埋め込みを生成する。 この推論プロセスは、元のクエリとターゲットアイテム間のセマンティックギャップを効果的にブリッジし、検索精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-10-16T05:37:39Z)
• Every Step Counts: Decoding Trajectories as Authorship Fingerprints of dLLMs [63.82840470917859]
  本稿では,dLLMの復号化機構をモデル属性の強力なツールとして利用できることを示す。 本稿では、デコードステップ間の構造的関係を捉え、モデル固有の振る舞いをよりよく明らかにする、DDM(Directed Decoding Map)と呼ばれる新しい情報抽出手法を提案する。
  論文  参考訳（メタデータ） (2025-10-02T06:25:10Z)
• Generative Retrieval and Alignment Model: A New Paradigm for E-commerce Retrieval [12.318142818707317]
  本稿では,GRAM(Generative Retrieval and Alignment Model)という新しいeコマース検索パラダイムを紹介する。 GRAMは、クエリと製品の両方からのテキスト情報を共同でトレーニングして、共有テキストコードを生成する。 GRAMは従来のモデルと最新の生成的検索モデルを大きく上回っている。
  論文  参考訳（メタデータ） (2025-04-02T06:40:09Z)
• Should Code Models Learn Pedagogically? A Preliminary Evaluation of Curriculum Learning for Real-World Software Engineering Tasks [2.0072624123275533]
  近年の研究では、合成コードの難易度に基づく漸進的な学習により、カリキュラム学習がコード関連タスクのパフォーマンスを向上させることが示されている。 本稿では,コードクローン検出とコード要約のタスクを通じて,事前学習されたコードモデル(CodeT5)がCLの下でどのように学習されるかを検討する。 CodeXGLUEベンチマークに関する実証研究は、これまでの研究と対照的な結果を示し、そのモデルでは破滅的な忘れ込みとショートカット学習の兆候が見られた。
  論文  参考訳（メタデータ） (2025-02-06T06:33:08Z)
• Learning variant product relationship and variation attributes from e-commerce website structures [5.273938705774915]
  我々は,電子商取引カタログにおける変種商品のペアを特定するために,変種関係マッチング戦略であるVARMを導入する。 我々はRAG誘導生成LDMを用いて変異産物群間の変異と共通属性を抽出する。
  論文  参考訳（メタデータ） (2024-09-17T18:24:27Z)
• Hi-Gen: Generative Retrieval For Large-Scale Personalized E-commerce Search [9.381220988816219]
  本稿では,大規模パーソナライズされたEコマース検索システムのための効率的な階層符号化復号生成検索手法(Hi-Gen)を提案する。 まず、メトリック学習を用いて表現学習モデルを構築し、アイテムの識別的特徴表現を学習する。 そこで本研究では,カテゴリ誘導型階層クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-04-24T06:05:35Z)
• List-aware Reranking-Truncation Joint Model for Search and Retrieval-augmented Generation [80.12531449946655]
  本稿では,2つのタスクを同時に実行可能なRe rank-Truncation joint model(GenRT)を提案する。 GenRTは、エンコーダ-デコーダアーキテクチャに基づく生成パラダイムによるリランクとトランケーションを統合している。 提案手法は,Web検索および検索拡張LLMにおけるリランクタスクとトラルケーションタスクの両方においてSOTA性能を実現する。
  論文  参考訳（メタデータ） (2024-02-05T06:52:53Z)
• Bridging the Gap: Learning Pace Synchronization for Open-World Semi-Supervised Learning [44.91863420044712]
  オープンワールドの半教師付き学習において、機械学習モデルはラベルなしのデータから新しいカテゴリを明らかにすることを任務とする。 本稿では,(1)モデル偏差を軽減するためにクラス固有の負のマージンを課するアダプティブ・コミュニケート・ラミナル・ロス,(2)モデルによって予測される擬似ラベルを利用した擬似ラベル・コントラッシブ・クラスタリングについて紹介する。 本手法は,授業の学習速度のバランスを保ち,画像Netデータセットの平均精度を3%向上させる。
  論文  参考訳（メタデータ） (2023-09-21T09:44:39Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• Jointly Learning to Repair Code and Generate Commit Message [78.4177637346384]
  バグの多いコード、固定コード、新しいタスクのコミットメッセージを含む多言語3重データセットを構築した。 カスケード方式の誤り伝搬問題に対処するため,コード修復とコミットメッセージ生成の両立が可能なジョイントモデルを提案する。 実験結果から,教師学習法とマルチタスク学習法を併用した拡張カスケードモデルにより,自動コード修復のメトリクスの最良のスコアが得られた。
  論文  参考訳（メタデータ） (2021-09-25T07:08:28Z)
• Automatic Validation of Textual Attribute Values in E-commerce Catalog by Learning with Limited Labeled Data [61.789797281676606]
  そこで我々はMetaBridgeと呼ばれる新しいメタ学習潜伏変数アプローチを提案する。 限られたラベル付きデータを持つカテゴリのサブセットから、転送可能な知識を学ぶことができる。 ラベルのないデータで、目に見えないカテゴリの不確実性を捉えることができる。
  論文  参考訳（メタデータ） (2020-06-15T21:31:05Z)

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。