論文の概要: EAGER: Enrich-and-Align Generative Query Recommendation from Clicked Items in E-commerce Search

• arxiv url: http://arxiv.org/abs/2609.07143v1
• Date: Mon, 07 Sep 2026 07:44:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 01:25:59.995015
• Title: EAGER: Enrich-and-Align Generative Query Recommendation from Clicked Items in E-commerce Search
• Title（参考訳）: EAGER:Eコマース検索におけるクリックアイテムからのリッチでアラインなジェネレーティブクエリ推奨
• Abstract要約: Eコマースプラットフォームでは、クリック可能なクエリ提案が、ユーザーフィードのアイテムと一緒に表示されるようになっている。 クリックした項目からクエリ提案を生成するための2段階フレームワークであるEAGERを提案する。 リッチ化段階では、教師付き微調整(SFT)は情報豊かさをスケールする4段階のカリキュラムに従う。 アライメントの段階では、GRPOを介して複数のルールベースのビジネス信号と好みのクリック報酬のハイブリッド報酬を後処理する。
• 参考スコア（独自算出の注目度）: 5.7422000655776815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: E-commerce platforms increasingly display clickable query suggestions alongside items in the user feed, enabling users to refine or expand their intent without manually reformulating queries. Existing approaches either mine suggestions from historical logs -- limited to past behavior and blind to long-tail, personalized intents -- or rely on off-the-shelf LLMs whose lack of platform-specific knowledge yields fluent but generic queries disconnected from real click behavior. We propose EAGER (Enrich-and-AliGn gEnerative Query Recommendation), a two-stage framework for generating query suggestions from clicked items. In the enrichment stage, supervised fine-tuning (SFT) follows a four-stage curriculum that scales information richness (from item-only to user-conditioned) and reasoning depth (from direct to chain-of-thought). Each stage incorporates rationale augmentation, diversity regularization, and self-distillation. In the alignment stage, we post-train via GRPO with a hybrid reward of multiple rule-based business signals and a preference-aware click reward. Extensive offline experiments and online A/B test demonstrate the effectiveness of EAGER, which has been deployed in production at a major e-commerce platform.
• Abstract（参考訳）: Eコマースプラットフォームは、クリック可能なクエリ提案を、ユーザーフィードのアイテムと一緒に表示し、ユーザーが手動でクエリを変更することなく、その意図を洗練または拡張することができる。 既存のアプローチでは、過去の振る舞いに制限され、盲目から長い尾、パーソナライズされた意図に制限される – 過去のログから提案を抽出するか、あるいはプラットフォーム固有の知識の欠如によって、実際のクリック動作から切り離された、流動的だが汎用的なクエリに頼っている。 クリックした項目からクエリ提案を生成するための2段階のフレームワークであるEAGER(Enrich-and-AliGn gEnerative Query Recommendation)を提案する。 リッチ化段階では、教師付き微調整(SFT)は4段階のカリキュラムに従い、情報豊かさ(アイテムのみからユーザコンディションまで)と推論深度(直接から思考の連鎖まで)を拡大する。 それぞれのステージには、合理的な増補、多様性の規則化、自己蒸留が含まれる。 アライメントの段階では、GRPOを介して複数のルールベースのビジネス信号と好みのクリック報酬のハイブリッド報酬を後処理する。 大規模なオフライン実験とオンラインA/Bテストは、主要なeコマースプラットフォームで本番環境にデプロイされたEAGERの有効性を示している。

関連論文リスト

• One Hierarchy, Two Systems: Semantic Product IDs for Discovery-Surface Ranking and Search-Page Query Reformulation [0.8257831610561874]
  マルチマーチャントeコマースカタログには、商人が特定した異なる識別子の下で、同等の製品と関連する製品が含まれている。 単一の階層型セマンティックID(sid)表現がパーソナライズされたランキングとクエリのリフォームをサポートするかどうかを検討する。
  論文  参考訳（メタデータ） (2026-08-21T00:27:32Z)
• Beyond Matching: Category-Guided Latent Intent Reasoning for Generative Retrieval in E-Commerce [33.55727546262202]
  CaLIRは、電子商取引生成検索のためのカテゴリー誘導潜在意図推論フレームワークである。 階層型セマンティック推論を導入し、潜在状態をカテゴリーレベルのショッピング意図と整合させる。 多言語eコマース検索データセットの実験により、CaLIRは既存の方法よりも検索効率と推論効率のバランスが良くなっていることが示された。
  論文  参考訳（メタデータ） (2026-06-05T09:12:54Z)
• SessionIntentBench: A Multi-task Inter-session Intention-shift Modeling Benchmark for E-commerce Customer Behavior Understanding [64.45047674586671]
  本稿では,意図木の概念を導入し,データセットキュレーションパイプラインを提案する。 我々は,L(V)LMsのセッション間意図シフト理解能力を評価するマルチモーダルベンチマークSessionIntentBenchを構築した。 1,952,177の意図的エントリ,1,132,145のセッション意図軌跡,および10,905のセッションを使用してマイニングされた13,003,664のタスクにより,既存のセッションデータを活用可能なスケーラブルな方法を提供する。
  論文  参考訳（メタデータ） (2025-07-27T09:04:17Z)
• OneSug: The Unified End-to-End Generative Framework for E-commerce Query Suggestion [22.63172274938755]
  OneSugは、eコマースクエリ提案のためのエンドツーエンドの生成フレームワークである。 OneSugは、KuaishouプラットフォームのEコマース検索エンジンで1ヶ月以上にわたって、全トラフィックに成功している。
  論文  参考訳（メタデータ） (2025-06-07T20:24:05Z)
• 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)
• Generative Product Recommendations for Implicit Superlative Queries [21.750990820244983]
  Recommender Systemsでは、ユーザーは「トレイルランニングのためのベストシューズ」のような間接的、曖昧、または不明確なクエリを通じて、最高の製品を求めることが多い。 本研究では,大規模言語モデルがランキングに暗黙の属性を生成できるかを検討するとともに,そのようなクエリの製品レコメンデーションを改善するための理由についても検討する。
  論文  参考訳（メタデータ） (2025-04-26T00:05:47Z)
• Multi-Modality Transformer for E-Commerce: Inferring User Purchase Intention to Bridge the Query-Product Gap [1.2356255208135267]
  PINCERは初期ユーザクエリを擬似積表現に変換する。 我々は,eコマースオンライン検索における最先端の代替手段よりも,モデルの性能が優れていることを実証する。
  論文  参考訳（メタデータ） (2025-01-21T23:47:39Z)
• Multi-task Item-attribute Graph Pre-training for Strict Cold-start Item Recommendation [71.5871100348448]
  ColdGPTは、アイテム内容からきめ細かい属性を抽出することにより、アイテム属性相関をアイテム属性グラフにモデル化する。 ColdGPTは、さまざまな利用可能なデータソース、すなわちアイテムの内容、過去の購入シーケンス、既存のアイテムのレビューテキストから、知識をアイテム属性グラフに転送する。 大規模な実験により、ColdGPTは既存のSCSレコメンデーターを大きなマージンで一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-06-26T07:04:47Z)
• U-NEED: A Fine-grained Dataset for User Needs-Centric E-commerce Conversational Recommendation [59.81301478480005]
  現実のEコマースシナリオからユーザニーズ中心のEコマース対話推薦データセット(U-NEED)を構築した。 U-NEEDは,5つのカテゴリ (ii) 333,879のユーザ行動と, (iii) 332,148の製品知識の3種類のリソースで構成されている。
  論文  参考訳（メタデータ） (2023-05-05T01:44:35Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• Towards Personalized Answer Generation in E-Commerce via Multi-Perspective Preference Modeling [62.049330405736406]
  Eコマースプラットフォーム上での製品質問回答(PQA)は、インテリジェントオンラインショッピングアシスタントとして機能するため、注目を集めている。 なぜなら、多くの顧客は、自分でのみカスタマイズされた情報でパーソナライズされた回答を見たいと思っているからです。 PQAにおけるパーソナライズされた回答を生成するための,新しいマルチパースペクティブなユーザ嗜好モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-27T07:51:49Z)

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。