論文の概要: Beyond Relevance: Structured Semantic Supervision for Product Search with LLM-Augmented Annotations

• arxiv url: http://arxiv.org/abs/2609.23646v1
• Date: Sun, 20 Sep 2026 13:49:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.885208
• Title: Beyond Relevance: Structured Semantic Supervision for Product Search with LLM-Augmented Annotations
• Title（参考訳）: Beyond Relevance: LLM拡張アノテーションによる製品検索のための構造化セマンティックスーパービジョン
• Abstract要約: 我々は、構造化LCM生成クエリと製品属性と、人間に有意な関連性、説明、中心性判定を備えたクエリ製品ペアを増強する。 オラクルの改善のほとんどは、スカラー中心性機能ではなく、後編集による説明や注釈によるものであることを示す。
• 参考スコア（独自算出の注目度）: 49.353393497019745
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: E-commerce search requires distinguishing products that are merely related to a query from those that directly satisfy the user's shopping intent. We augment query-product pairs with structured LLM-generated query and product attributes and human-validated relevance, explanations, and centrality judgments, and evaluate these signals using a simple dual-encoder retriever and MLP re-ranker. On an augmented subset of ESCI, a human-feature oracle reaches $0.9382$ nDCG@10, while a human-free trained $Q+P$ configuration reaches $0.9258$. Synthetic approximations of the human signals reach $0.9150$ overall but provide substantial gains for difficult, low-performing queries. Ablations show that most of the oracle improvement comes from post-edited explanations and annotator comments rather than the scalar centrality feature, suggesting that LLMs are most useful for exposing and approximating structured semantic supervision rather than replacing human judgment directly.
• Abstract（参考訳）: 電子商取引検索は、単にクエリに関連する製品と、ユーザのショッピング意図を直接満たしている製品とを区別する必要がある。 構造化LLM生成クエリと製品属性と人間に有意な関連性,説明,中心性判定を併用した問合せ-製品ペアを強化し,単純なデュアルエンコーダレシーバとMLP再ランカを用いてこれらの信号を評価する。 ESCIの拡張サブセットでは、人為的なオラクルは0.9382$ nDCG@10、人為的に訓練された$Q+P$設定は0.9258$に達する。 人間の信号の合成近似は、全体として0.9150ドルに達するが、困難で低パフォーマンスなクエリに対してかなりの利益をもたらす。 アブレーションは、オラクルの改善のほとんどは、スカラー中心性機能ではなく、編集後の説明や注釈によるものであり、LLMは人間の判断を直接置き換えるよりも、構造的意味的監督を露出し、近似するのに最も有用であることを示している。

関連論文リスト

• SMART: LLM-Augmented Hybrid Retrieval for Dynamic Product Ads [19.0160146232638]
  動的製品広告(DPA)は、数百万の製品カタログから関連するアイテムを取得する必要がある。 LLMは、従来の埋め込みモデルよりもセマンティックな意図を捉え、それらを大規模に展開することで、禁忌なコストと語彙的ミスマッチの問題をもたらす。 SMART(Semantic-aware Adaptive ReTrieval)を用いてコスト管理を行う。
  論文  参考訳（メタデータ） (2026-07-25T09:41:21Z)
• Hint-Augmented Re-ranking: Efficient Product Search using LLM-Based Query Decomposition [20.966359103135762]
  LLMは,eコマースクエリにおいて最下位の意図を明らかにすることができることを示す。 提案手法では,クエリを検索と同時に生成した属性値ヒントに分解する。 本手法はMAPにおける検索効率を10.9ポイント改善し,ベースライン上のMRRにおいて5.9ポイントのランク付けを行う。
  論文  参考訳（メタデータ） (2025-11-17T23:53:25Z)
• E-CARE: An Efficient LLM-based Commonsense-Augmented Framework for E-Commerce [26.230331478424517]
  電子商取引業務における効率的なコモンセンス強化勧告エンハンサー(E-CARE)を提案する。 推論中、E-CAREで拡張されたモデルは、クエリ毎に1つのLSMフォワードパスでコモンセンス推論にアクセスすることができる。 2つの下流タスクの実験では、精度が最大12.1%向上した。
  論文  参考訳（メタデータ） (2025-11-06T05:57:48Z)
• LLMs as Sparse Retrievers:A Framework for First-Stage Product Search [103.70006474544364]
  プロダクト検索は、現代のeコマースプラットフォームにおいて重要な要素であり、毎日何十億ものユーザークエリがある。 スパース検索法は語彙ミスマッチの問題に悩まされ, 製品検索のシナリオにおいて, 最適以下の性能が向上する。 セマンティック分析の可能性により、大言語モデル(LLM)は語彙ミスマッチ問題を緩和するための有望な道を提供する。 本稿では,SParsE Retrievers として LLM を利用した製品検索フレームワーク PROSPER を提案する。
  論文  参考訳（メタデータ） (2025-10-21T11:13:21Z)
• One-Stage Top-$k$ Learning-to-Defer: Score-Based Surrogates with Theoretical Guarantees [6.792743621449621]
  最初の1段階のTop-k$ Learning-to-Deferフレームワークを紹介します。 我々は、最もコスト効率の良いエンティティラベルや専門家1人当たりのインプットを$k$で選択するスコアベースの共有モデルを学ぶ。 CIFAR-10とSVHNの実験により、我々の1段階のTop-$k$法がTop-1deferralを厳密に上回っていることを確認した。
  論文  参考訳（メタデータ） (2025-05-15T10:41:16Z)
• Large Language Models for Relevance Judgment in Product Search [48.56992980315751]
  検索クエリに対する検索および再ランクされたアイテムの高い関連性は、製品検索の成功の土台である。 本稿では,大規模言語モデル(LLM)を活用して,クエリ・イテムペア(QIP)の関連判断を大規模に自動化する手法について述べる。 本研究は,製品検索における関連判断の自動化の分野への直接的な影響を示唆するものである。
  論文  参考訳（メタデータ） (2024-06-01T00:52:41Z)
• You can't pick your neighbors, or can you? When and how to rely on retrieval in the $k$NN-LM [65.74934004876914]
  Retrieval-enhanced Language Model (LM) は、大規模な外部データストアから取得したテキストにそれらの予測を条件付ける。 そのようなアプローチの1つ、$k$NN-LMは、既存のLMの予測を$k$-nearest近くのモデルの出力と補間する。 本研究では,2つの英語モデルデータセットに対するアプローチの有効性を実証的に測定する。
  論文  参考訳（メタデータ） (2022-10-28T02:57:40Z)

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。