論文の概要: Generative Query Suggestion via Intent Coverage and Query-Level Credit Assignment

• arxiv url: http://arxiv.org/abs/2609.19209v1
• Date: Wed, 16 Sep 2026 11:19:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.95063
• Title: Generative Query Suggestion via Intent Coverage and Query-Level Credit Assignment
• Title（参考訳）: Intent CoverageとQuery-Level Credit Assignmentによるジェネレーティブクエリの提案
• Abstract要約: インテント・アウェア・ダイバーシティ・モデリングは、インテント・アラインな教師付き微調整データを構成する。 クエリレベルのクレジット割り当ては、個々の品質信号を対応するクエリトークンにルーティングする。 オンラインA/Bテストやオフライン評価を含む大規模な運用データセットの実験では、クリックスルー率、クエリ品質、インテントカバレッジが改善されている。
• 参考スコア（独自算出の注目度）: 8.17317761608794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative query suggestion aims to enhance user engagement by anticipating user intents and recommending relevant follow-up queries. A central challenge is to generate slates whose individual queries are useful while the slate covers distinct intents. We propose an Intent-Driven Query Suggestion Framework with dual-stage optimization. First, intent-aware diversity modeling constructs intent-aligned supervised fine-tuning (SFT) data and uses an Intent-Aware Diversity Reward to optimize intent coverage. Second, query-level credit assignment routes individual quality signals to the corresponding query tokens while sharing a slate-level diversity signal across the slate. Experiments on a large-scale production dataset, including online A/B testing and offline evaluation, show improvements in click-through rate, query quality, and intent coverage.
• Abstract（参考訳）: ジェネレーティブクエリの提案は、ユーザの意図を予測し、関連するフォローアップクエリを推奨することによって、ユーザのエンゲージメントを高めることを目的としている。 中心的な課題は、個々のクエリが有用であるスレートを生成することであり、スレートは異なる意図をカバーしている。 本稿では,2段階最適化を備えたIntent-Driven Query Suggestion Frameworkを提案する。 まず、意図認識の多様性モデリングは、意図に整合した教師付き微調整(SFT)データを構築し、意図のカバレッジを最適化するためにIntent-Aware Diversity Rewardを使用する。 第2に、クエリレベルのクレジット割り当ては、個々の品質信号を対応するクエリトークンにルーティングし、スレートにまたがるスレートレベルの多様性信号を共有する。 オンラインA/Bテストやオフライン評価を含む大規模な運用データセットの実験では、クリックスルー率、クエリ品質、インテントカバレッジが改善されている。

関連論文リスト

• OneFeed: A Unified Generative Framework for Feed Content Enhancement and Query Generation [0.0]
  OneFeedはフィードコンテンツ拡張とクエリ生成をモデリングするための統合生成フレームワークである。 OneFeedは異種ユーザ行動シーケンスを共有振る舞いエンコーダでエンコードする。 OneFeedはコンテンツセマンティックIDとクエリ表現のための共有セマンティックスペースを学習する。
  論文  参考訳（メタデータ） (2026-06-06T04:17:09Z)
• TopBench: A Benchmark for Implicit Prediction and Reasoning over Tabular Question Answering [80.93487993878836]
  現実世界のクエリの一般的なクラスは暗黙的に予測され、単に検索するのではなく、歴史的パターンから観測されていない回答を推測する必要がある。 これらのクエリには、潜在意図を認識することと、大規模テーブル上での信頼性の高い予測推論という2つの課題がある。 単点予測から意思決定,処理効果分析,複雑な推論に至るまで,4つのサブタスクにわたる779のサンプルからなるベンチマークであるTopBenchを紹介する。
  論文  参考訳（メタデータ） (2026-04-30T16:22:51Z)
• 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)
• Beyond Item Dissimilarities: Diversifying by Intent in Recommender Systems [20.04619904064599]
  我々は,提案システムの最終段階を対象とした確率論的意図に基づく全ページ多様化フレームワークを開発する。 われわれは、世界最大のビデオレコメンデーションプラットフォームであるYouTubeの意図多様化フレームワークを実験した。
  論文  参考訳（メタデータ） (2024-05-20T18:52:33Z)
• Enhancing DETRs Variants through Improved Content Query and Similar Query Aggregation [27.07277433645018]
  SACQ(Self-Adaptive Content Query)を新たに導入する。 SACQは自己アテンションプーリングを通じてコンテンツクエリを生成する。 候補クエリを入力イメージに適応させることで、より包括的なコンテンツが事前に提供され、ターゲットオブジェクトにもっとフォーカスできるようになる。 我々は、SACQと協調するクエリ集約戦略を提案し、類似の予測候補を異なるクエリからマージし、最適化を緩和する。
  論文  参考訳（メタデータ） (2024-05-06T09:50:04Z)
• Towards Automatic Sampling of User Behaviors for Sequential Recommender Systems [5.46875780473223]
  本稿では,一様でない過去の行動を扱うために,AutoSAMというシーケンシャルレコメンデーションのための新しい自動サンプリングフレームワークを提案する。 ベンチマークレコメンデーションモデルと4つの実世界のデータセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-11-01T09:25:21Z)
• Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
  本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。 提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
  論文  参考訳（メタデータ） (2021-05-16T08:06:22Z)
• Query Understanding via Intent Description Generation [75.64800976586771]
  問合せ理解のためのQ2ID(Query-to-Intent-Description)タスクを提案する。 クエリとその記述を利用してドキュメントの関連性を計算する既存のランキングタスクとは異なり、Q2IDは自然言語のインテント記述を生成するための逆タスクである。 Q2IDタスクにおける複数の最先端生成モデルとの比較により,本モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2020-08-25T08:56:40Z)

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。