論文の概要: ReFilter: Bridging Embeddings and LLM Filtering for Similar Mobile App Retrieval

• arxiv url: http://arxiv.org/abs/2609.25306v1
• Date: Mon, 21 Sep 2026 18:55:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.086047
• Title: ReFilter: Bridging Embeddings and LLM Filtering for Similar Mobile App Retrieval
• Title（参考訳）: ReFilter: 同様のモバイルアプリ検索のためのブリッジ埋め込みとLLMフィルタリング
• Abstract要約: 研究者は類似性検出を使用して、アプリのエコシステムとトレンド、競合分析のための開発者、集中型アプリレコメンデーションのためのエンドユーザを研究する。 既存のアプローチは、セマンティックな類似性をキャプチャするが、機能的に類似したアプリケーションを識別できない埋め込みベースの検索に依存している。 我々の知る限り、多数のアプリケーションペアを評価する計算コストが高いため、このタスクに大規模言語モデル(LLM)ベースのフィルタリングを適用した以前の研究はない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieving similar mobile applications (apps) is essential for researchers, developers, and end-users. Researchers use similarity detection to study app ecosystems and trends, developers for competitor analysis, and end-users for focused app recommendations. Existing approaches rely on embedding-based retrieval, which captures semantic similarity but fails to identify functionally similar apps. To our knowledge, no prior work has applied large language model (LLM)-based filtering to this task, due to the high computational cost of evaluating large numbers of app pairs. To address this gap, we propose ReFilter, a hybrid framework that first Retrieves semantically related candidate apps using embeddings and then applies LLM-based contextual Filtering to identify true functionally similar apps with higher precision. This design balances efficiency and accuracy, achieving an F1-score of 90% for retrieving similar apps. By improving the relevance of app alternatives, ReFilter enables more accurate app comparisons and supports improved ecosystem understanding, competitor analysis, and recommendations.
• Abstract（参考訳）: 同様のモバイルアプリ(アプリ)を取得することは、研究者、開発者、エンドユーザにとって不可欠です。 研究者は類似性検出を使用して、アプリのエコシステムとトレンド、競合分析のための開発者、集中型アプリレコメンデーションのためのエンドユーザを研究する。 既存のアプローチは、セマンティックな類似性をキャプチャするが、機能的に類似したアプリケーションを識別できない埋め込みベースの検索に依存している。 我々の知る限り、多数のアプリケーションペアを評価する計算コストが高いため、このタスクに大規模言語モデル(LLM)ベースのフィルタリングを適用した以前の研究はない。 このギャップに対処するため、我々は、まず埋め込みを用いて意味論的に関連する候補アプリを検索し、次にLLMベースのコンテキストフィルタリングを適用して、機能的に類似した真のアプリを高い精度で識別するハイブリッドフレームワークReFilterを提案する。 この設計は効率と精度のバランスをとり、類似のアプリを取得するために90%のF1スコアを達成する。 アプリ代替の関連性を改善することで、ReFilterはより正確なアプリ比較を可能にし、エコシステム理解の改善、競合分析、レコメンデーションをサポートする。

関連論文リスト

• Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [89.58253972744531]
  Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。 我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。 本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
  論文  参考訳（メタデータ） (2026-03-09T18:20:20Z)
• AppSelectBench: Application-Level Tool Selection Benchmark [57.03660843195562]
  AppSelectBenchは、エージェント(CUA)におけるアプリケーション選択を評価するためのベンチマークである AppSelectBenchには,現実的でセマンティックなユーザ意図を大規模に生成する,新たなユーザタスク生成パイプラインが含まれている。 これには10万以上の現実的で多様性があり、セマンティックなユーザータスクが含まれます。
  論文  参考訳（メタデータ） (2025-11-25T06:06:17Z)
• Evaluating LLM-Based Mobile App Recommendations: An Empirical Study [1.9932595193134042]
  大規模言語モデル(LLM)は、自然言語のプロンプトを通じてモバイルアプリケーションに推奨されるようになってきている。 本稿では,LLMがモバイルアプリレコメンデーションをどのように生成し,正当化し,ランク付けするかを実証分析する。
  論文  参考訳（メタデータ） (2025-10-21T07:35:19Z)
• Fast or Better? Balancing Accuracy and Cost in Retrieval-Augmented Generation with Flexible User Control [52.405085773954596]
  Retrieval-Augmented Generationは、大規模な言語モデル幻覚を緩和するための強力なアプローチとして登場した。 既存のRAGフレームワークは、しばしば無差別に検索を適用し、非効率な再検索につながる。 本稿では,精度・コストのトレードオフを動的に調整できる新しいユーザ制御可能なRAGフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:56:20Z)
• ChunkRAG: Novel LLM-Chunk Filtering Method for RAG Systems [2.8692611791027893]
  Retrieval-Augmented Generation (RAG) システムは、無関係またはゆるい関連情報の検索によって不正確な応答を生成する。 チャンクレベルで取得した情報を評価・フィルタリングすることでRAGシステムを強化するフレームワークであるChunkRAGを提案する。
  論文  参考訳（メタデータ） (2024-10-25T14:07:53Z)
• More Insight from Being More Focused: Analysis of Clustered Market Apps [2.66221280030096]
  最近の調査では、主に全アプリのサンプリングが検討されている。 プロプライエタリなソフトウェアやWebベースのサービスと同様に、より均一なサンプルを見ることで、より具体的な結果が期待できる。 本稿では,アプリの同質なサンプルを対象とし,分析から得られる洞察の度合いを高める。
  論文  参考訳（メタデータ） (2024-05-24T17:34:06Z)
• Recall@k Surrogate Loss with Large Batches and Similarity Mixup [62.67458021725227]
  微分不可能な場合、評価計量の勾配降下による直接最適化は不可能である。 本研究は,リコールにおける相異なるサロゲート損失を提案する。 提案手法は,複数の画像検索ベンチマークにおいて最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-08-25T11:09:11Z)
• Emerging App Issue Identification via Online Joint Sentiment-Topic Tracing [66.57888248681303]
  本稿では,MERITという新しい問題検出手法を提案する。 AOBSTモデルに基づいて、1つのアプリバージョンに対するユーザレビューに否定的に反映されたトピックを推測する。 Google PlayやAppleのApp Storeで人気のアプリに対する実験は、MERITの有効性を実証している。
  論文  参考訳（メタデータ） (2020-08-23T06:34:05Z)

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。