論文の概要: LLM4AIGQ: LLM-based AI Guidance Query Generation Framework for Multi Interest Mining
- arxiv url: http://arxiv.org/abs/2609.03674v1
- Date: Thu, 03 Sep 2026 11:13:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:39.028996
- Title: LLM4AIGQ: LLM-based AI Guidance Query Generation Framework for Multi Interest Mining
- Title（参考訳）: LLM4AIGQ:マルチゲストマイニングのためのLLMベースのAIガイダンスクエリ生成フレームワーク
- Abstract要約: ユーザの多目的に適したAIガイダンスクエリを生成するためのLLMベースのソリューションを提案する。
このアプローチは、ユーザプロファイルと過去のインタラクションシーケンスを統合することで、ユーザ関心をセグメント化し、サブ関心ごとの特定の消費意図を推測する。
本モデルはオフライン評価とオンラインA/Bテストの両方において堅牢な性能を実現する。
- 参考スコア（独自算出の注目度）: 4.054665499206523
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Guidance queries stimulate user consumption by extracting preferences to provide search queries with guidance value, playing a crucial role in the e-commerce field. Traditional AI-generated queries (AIGQ) generation primarily relies on a two-stage "Query-to-AI-Generated-Query" (Q2AIGQ) association paradigm, first recalling user primary search queries from user profiles, historical behavior sequences, item-side information, and the current query through multi-path retrieval, then generalizing AIGQ via rule-based methods. This approach suffers from semantic drift due to information cascade loss; additionally, primary search query derivation heavily depends on "user-item" co-occurrence relationships, lacking exploration of user multi-interests, resulting in guidance queries with low value and mismatched purchase intent. To address the expressive limitations of traditional co-occurrence-based retrieval, we propose LLM4AIGQ, an LLM-based solution for generating AI guidance queries tailored to users' multi-interests. This approach segments user interests by integrating user profiles and historical interaction sequences, infers specific consumption intents for each sub-interest, and subsequently generates corresponding AIGQ. In terms of model training, we employ a post-training pipeline comprising Supervised Fine-Tuning (SFT), Reinforcement Learning (RL), and Direct Preference Optimization (DPO) to enhance the model's capability in generating AIGQ. We also introduce a multi-level reward design to satisfy the requirements of multi-objective optimization and long-chain reasoning in practical applications. Regarding deployment, we adopt a nearline-generation and online-read architecture to meet latency constraints. Extensive experimental analyses demonstrate that our model achieves robust performance in both offline evaluations and online A/B tests.
- Abstract（参考訳）: ガイダンスクエリは、好みを抽出し、ガイダンス値の検索クエリを提供することによってユーザ消費を刺激し、eコマース分野において重要な役割を果たす。
従来のAI生成クエリ(AIGQ)生成は、主に2段階の"Query-to-AI-Generated-Query"(Q2AIGQ)アソシエーションパラダイムに依存している。
このアプローチは情報カスケード損失によるセマンティックドリフトに悩まされ、また、一次検索クエリの導出は、"ユーザ-イテム"の共起関係に大きく依存し、ユーザマルチ関心の探索が欠如し、結果として、価値の低いガイダンスクエリと不一致な購入意図が生まれる。
従来の共起型検索の表現的限界に対処するために,ユーザの多目的に適したAIガイダンスクエリを生成するLLM4AIGQを提案する。
このアプローチは、ユーザプロファイルと過去のインタラクションシーケンスを統合することでユーザ興味を分断し、サブ関心ごとの特定の消費意図を推測し、それに対応するAIGQを生成する。
モデルトレーニングでは,教師付きファインチューニング(SFT),強化学習(RL),直接選好最適化(DPO)からなるポストトレーニングパイプラインを用いてAIGQの生成能力を向上させる。
また,実用アプリケーションにおける多目的最適化と長鎖推論の要件を満たすために,多レベル報酬設計を導入する。
デプロイに関しては、レイテンシの制約を満たすために、ニアライン世代のオンライン読み取りアーキテクチャを採用しています。
オフライン評価とオンラインA/Bテストの両方において,本モデルがロバストな性能を発揮することを示す。
関連論文リスト
- AIGQ: An End-to-End Hybrid Generative Architecture for E-commerce Query Recommendation [9.218475190088734]
タオバオのホームページ上のHintQとして広く知られている事前検索クエリレコメンデーションは、意図的捕獲と需要発見において重要な役割を担っている。
これらの課題を克服するために、HintQシナリオの最初のエンドツーエンド生成フレームワークであるAIGQを提案する。
論文 参考訳（メタデータ） (2026-03-20T07:27:59Z) - Rethinking On-policy Optimization for Query Augmentation [49.87723664806526]
本稿では,様々なベンチマークにおいて,プロンプトベースとRLベースのクエリ拡張の最初の体系的比較を示す。
そこで我々は,検索性能を最大化する擬似文書の生成を学習する,新しいハイブリッド手法 On-policy Pseudo-document Query Expansion (OPQE) を提案する。
論文 参考訳（メタデータ） (2025-10-20T04:16:28Z) - Iterative Self-Incentivization Empowers Large Language Models as Agentic Searchers [74.17516978246152]
大規模言語モデル(LLM)は、従来の手法を進化させるために情報検索に広く統合されている。
エージェント検索フレームワークであるEXSEARCHを提案する。
4つの知識集約ベンチマークの実験では、EXSEARCHはベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2025-05-26T15:27:55Z) - From Prompting to Alignment: A Generative Framework for Query Recommendation [35.654879254147964]
本稿では,クエリ生成とユーザの好みを一致させる生成クエリ推薦(GQR)フレームワークを提案する。
具体的には、多様なクエリレコメンデーションタスクを普遍的なプロンプトフレームワークで統一する。
また,クエリワイドCTR予測器をプロセス報酬モデルとしてトレーニングするCTRアライメントフレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-14T13:21:29Z) - Re-ranking the Context for Multimodal Retrieval Augmented Generation [28.63893944806149]
Retrieval-augmented Generation (RAG)は、文脈内で応答を生成するために外部知識を組み込むことで、大きな言語モデル(LLM)を強化する。
RAGシステムは固有の課題に直面している: (i) 検索プロセスはユーザクエリ(画像、文書など)への無関係なエントリを選択することができ、 (ii) 視覚言語モデルや GPT-4o のようなマルチモーダル言語モデルは、RAG出力を生成するためにこれらのエントリを処理する際に幻覚を与える。
より高度な関連性尺度を用いることで、知識ベースからより関連性の高い項目を選択して排除することにより、検索プロセスを強化することができることを示す。
論文 参考訳（メタデータ） (2025-01-08T18:58:22Z) - Effective Instruction Parsing Plugin for Complex Logical Query Answering on Knowledge Graphs [51.33342412699939]
知識グラフクエリ埋め込み(KGQE)は、不完全なKGに対する複雑な推論のために、低次元KG空間に一階論理(FOL)クエリを埋め込むことを目的としている。
近年の研究では、FOLクエリの論理的セマンティクスをよりよく捉えるために、さまざまな外部情報(エンティティタイプや関係コンテキストなど)を統合している。
コードのようなクエリ命令から遅延クエリパターンをキャプチャする効果的なクエリ命令解析(QIPP)を提案する。
論文 参考訳（メタデータ） (2024-10-27T03:18:52Z) - Towards Boosting LLMs-driven Relevance Modeling with Progressive Retrieved Behavior-augmented Prompting [23.61061000692023]
本研究では,検索ログに記録されたユーザインタラクションを活用して,ユーザの暗黙の検索意図に対する洞察を得ることを提案する。
ProRBPは,探索シナリオ指向の知識を大規模言語モデルと統合するための,プログレッシブ検索行動拡張型プロンプトフレームワークである。
論文 参考訳（メタデータ） (2024-08-18T11:07:38Z) - CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
クロスモーダル検索は、異なるモーダルデータの相互作用を通じて、クエリと意味的に関連するインスタンスを検索することを目的としている。
従来のソリューションでは、クエリと候補の間のスコアを明示的に計算するために、シングルトウワーまたはデュアルトウワーのフレームワークを使用している。
粗大なセマンティックモデリングに基づく生成的クロスモーダル検索フレームワーク(CART)を提案する。
論文 参考訳（メタデータ） (2024-06-25T12:47:04Z) - MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。
まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。
次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
論文 参考訳（メタデータ） (2024-04-25T12:11:27Z) - Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity [59.57065228857247]
Retrieval-augmented Large Language Models (LLMs) は、質問回答(QA)のようなタスクにおける応答精度を高めるための有望なアプローチとして登場した。
本稿では,クエリの複雑さに基づいて,LLMの最適戦略を動的に選択できる適応型QAフレームワークを提案する。
オープンドメインのQAデータセットを用いて、複数のクエリの複雑さを網羅し、QAシステムの全体的な効率性と精度を高めることを示す。
論文 参考訳（メタデータ） (2024-03-21T13:52:30Z)
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。