論文の概要: Retail Product Search: A Practical Approach at Target
- arxiv url: http://arxiv.org/abs/2609.31498v1
- Date: Fri, 25 Sep 2026 16:36:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.492332
- Title: Retail Product Search: A Practical Approach at Target
- Title（参考訳）: Retail Product Search: ターゲットの実践的アプローチ
- Abstract要約: 本稿では,語彙探索とベクトル探索を組み合わせたハイブリッド検索システムTargetの設計について述べる。
オンラインA/Bテストではクリックスルー率が0.97%向上した。
システムは大規模に展開され、毎日何百万人ものゲストにサービスを提供している。
- 参考スコア（独自算出の注目度）: 3.4756825275708514
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Search is one of the most important features in e-commerce, directly driving customer engagement and business growth. A good product search system must show both relevant and desirable results. However, retail search presents unique challenges. User intent can range from exact matches to open-ended discovery. Search systems must also balance multiple goals, such as relevance, revenue, and profit, while keeping response times low. Traditional keyword-based methods often fall short in handling natural language or semantic queries. Vector search helps alleviate these issues, but it can miss key intent signals or return low-precision results. In this paper, we present the design of a hybrid search system at Target that combines lexical and vector search. We describe our approach to data processing, embedding training, precision control for the final result set, multi-channel result fusion (where we compared fusion strategies and adopted weighted interleaving), and the performance optimizations used to maintain low latency for production deployment. Our method improves offline evaluation metrics, and in online A/B testing it raised click-through rate by 0.97%, order conversion by 0.98%, and demand per visitor by 1.10% over lexical-only search, while roughly halving zero-result searches. The resulting system is deployed at scale and serves millions of guests daily.
- Abstract（参考訳）: 検索はeコマースにおける最も重要な機能の一つであり、直接顧客獲得とビジネスの成長を推進している。
優れた製品検索システムは、関連性および望ましい結果の両方を示す必要がある。
しかし、小売検索にはユニークな課題がある。
ユーザーの意図は、正確な一致からオープンエンド発見まで様々である。
検索システムは、応答時間を低く保ちながら、関連性、収益、利益などの複数の目標をバランスさせなければならない。
従来のキーワードベースのメソッドは、自然言語やセマンティッククエリを扱うのに不足することが多い。
ベクトル検索はこれらの問題を緩和するのに役立つが、重要な意図のシグナルを見逃したり、低精度の結果を返すことができる。
本稿では,語彙探索とベクトル探索を組み合わせたハイブリッド検索システムTargetの設計について述べる。
データ処理、埋め込みトレーニング、最終結果セットの精度制御、マルチチャネル結果融合(融合戦略の比較と重み付きインターリーブの導入)、および運用デプロイメントの低レイテンシを維持するために使用されるパフォーマンス最適化について説明する。
オンラインA/Bテストでは, クリックスルー率0.97%, 注文率0.98%, 訪問者1人あたりの需要1.10%, 語彙のみの検索で約半分, ほぼ0。
システムは大規模に展開され、毎日何百万人ものゲストにサービスを提供している。
関連論文リスト
- Improving Item Discoverability in e-Commerce Search via Related Intent Generation [4.305233699377622]
目的条件付きリコール拡張を利用した探索拡張検索のためのスケーラブルなシステムを提案する。
提案手法は,関連性を維持しつつ,候補リコールを拡大するための暗黙のユーザ意図を生成する。
我々は,厳密な2つの枠組みを用いてシステムを評価する: (a) LLM-as-a-judge 測定値, (b) セッションレベルの購入分析。
論文 参考訳（メタデータ） (2026-07-29T17:46:35Z) - Negative Data Mining for Contrastive Learning in Dense Retrieval at IKEA.com [0.5371337604556311]
本稿では,構造的負のサンプリング戦略を用いて,IKEA製品検索の高密度検索を改善するための体系的アプローチを提案する。
本手法は,カナダ市場でのオフライン実ユーザクエリ実験において,平均カテゴリ精度+2.6%を達成している。
長テールクエリに対するA/Bテストでは、改善されたモデルとベースラインモデルの間のユーザエンゲージメントの指標に統計的に有意な差は見られなかった。
論文 参考訳（メタデータ） (2026-05-01T02:32:02Z) - CoSearch: Joint Training of Reasoning and Document Ranking via Reinforcement Learning for Agentic Search [51.911048955965136]
CoSearchは多段階推論エージェントと生成ドキュメントランキングモデルを共同でトレーニングするフレームワークである。
この結果から, 推論エージェントと検索システムの協調訓練は, 実現可能であり, 性能も高いことが示唆された。
論文 参考訳（メタデータ） (2026-04-19T17:48:17Z) - OneSearch-V2: The Latent Reasoning Enhanced Self-distillation Generative Search Framework [41.83974943844478]
Generative Retrieval (GR) は現代の検索システムにとって有望なパラダイムである。
OneSearchは、産業規模で展開されたジェネレーティブ検索フレームワークとして、商業的および運用上の大きなメリットをもたらしている。
自己蒸留型生成検索フレームワークである textbfOneSearch-V2 を提案する。
論文 参考訳（メタデータ） (2026-03-25T15:33:34Z) - Rethinking Deep Research from the Perspective of Web Content Distribution Matching [86.90255285277256]
WeDasは,検索空間の構造的特徴をエージェントの観察空間に組み込んだWebコンテンツ配信アウェアフレームワークである。
本稿では,Query-Result Alignment Scoreを反復的に推定する数ショットの探索機構を提案する。
プラグイン・アンド・プレイモジュールとして、WeDasは4つのベンチマークのサブゴール補完と精度を一貫して改善している。
論文 参考訳（メタデータ） (2026-03-07T14:51:17Z) - MMSearch-R1: Incentivizing LMMs to Search [49.889749277236376]
MMSearch-R1は,実世界のインターネット環境において,オンデマンドでマルチターン検索が可能な,初のエンドツーエンド強化学習フレームワークである。
本フレームワークは画像検索とテキスト検索の両方を統合し,検索ペナルティによる結果に基づく報酬によって,モデルがいつ,どのように呼び出すかの判断を可能にする。
論文 参考訳（メタデータ） (2025-06-25T17:59:42Z) - Relevance Filtering for Embedding-based Retrieval [46.851594313019895]
埋め込み型検索では、ANN(Approximate Nearest Neighbor)検索により、大規模データセットから類似したアイテムを効率的に検索することができる。
本稿では,この課題に対処するために,埋め込み型検索のための新しい関連フィルタリングコンポーネント("Cosine Adapter" と呼ぶ)を提案する。
少ないリコールの損失を犠牲にして、回収したセットの精度を大幅に向上することが可能です。
論文 参考訳（メタデータ） (2024-08-09T06:21:20Z) - Unified Embedding Based Personalized Retrieval in Etsy Search [0.206242362470764]
グラフ, 変換器, 項ベース埋め込みを終末に組み込んだ統合埋め込みモデルを学習することを提案する。
我々のパーソナライズされた検索モデルは、検索購入率5.58%、サイト全体のコンバージョン率2.63%によって、検索体験を著しく改善する。
論文 参考訳（メタデータ） (2023-06-07T23:24:50Z) - How Does Generative Retrieval Scale to Millions of Passages? [68.98628807288972]
各種コーパス尺度における生成的検索手法の実証的研究を行った。
我々は8.8Mパスのコーパスで数百万のパスに生成検索をスケールし、モデルサイズを最大11Bパラメータまで評価する。
生成的検索は、小さなコーパス上の最先端のデュアルエンコーダと競合するが、数百万のパスへのスケーリングは依然として重要で未解決の課題である。
論文 参考訳（メタデータ） (2023-05-19T17:33:38Z) - IRLI: Iterative Re-partitioning for Learning to Index [104.72641345738425]
分散環境でのロードバランスとスケーラビリティを維持しながら、高い精度を得る方法とのトレードオフが必要だ。
クエリ項目関連データから直接バケットを学習することで、アイテムを反復的に分割するIRLIと呼ばれる新しいアプローチを提案する。
我々は,irliが極めて自然な仮定の下で高い確率で正しい項目を検索し,優れた負荷分散を実現することを数学的に示す。
論文 参考訳（メタデータ） (2021-03-17T23:13:25Z)
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。