論文の概要: Query Generation with Direct Preference Optimization for Document Expansion in E-commerce Search

• arxiv url: http://arxiv.org/abs/2610.04352v1
• Date: Sat, 03 Oct 2026 07:40:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 11:14:16.799572
• Title: Query Generation with Direct Preference Optimization for Document Expansion in E-commerce Search
• Title（参考訳）: 電子商取引検索における文書拡張のための直接選好最適化を用いたクエリ生成
• Abstract要約: 生成プロセスの指針として直接選好最適化(DPO)を用いるQGDPOを導入する。 QGDPOは、Doc2Queryのベースラインと比較する無関係な予測の50%を効果的に排除し、関連フィルタは14.61%を除去する。 この機能はフルトラフィックのためにWalmart.comの本番環境に配備され、関連性やユーザエンゲージメントを大幅に改善した。
• 参考スコア（独自算出の注目度）: 13.61617460557583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Doc2Query, a popular document expansion technique, leverages sequence-to-sequence models to generate relevant queries, effectively addressing the "vocabulary mismatch" problem in information retrieval. However, these models often suffer from generating either hallucinations unrelated to the document or repetitive content already present in the document. Training sequence-to-sequence models to produce high-quality, novel, and relevant tokens remains a significant challenge. To address these issues, we introduce a novel approach, QGDPO, that employs direct preference optimization (DPO) to guide the generation process. We first fine-tune a base sequence-to-sequence model and subsequently utilize a relevance model to score its predictions. Based on these scores, we construct pairs of winning and losing predictions as relevance preferences for the DPO training. Furthermore, we enhance our pipeline by using the relevance model to filter out poor predictions, retaining only the most relevant generated content for indexing. QGDPO effectively eliminates 50% of irrelevant predictions comparing against Doc2Query baselines, while the relevance filter removes an additional 14.61%. This feature has been successfully deployed to production on Walmart.com for full traffic, with a substantial improvement in relevance and user engagement.
• Abstract（参考訳）: Doc2Queryは、シーケンシャル・ツー・シーケンスモデルを利用して関連するクエリを生成し、情報検索における"語彙ミスマッチ"問題に効果的に対処する。 しかし、これらのモデルは文書と無関係の幻覚や、文書にすでに存在している反復的なコンテンツを生成するのに悩まされることが多い。 高品質で斬新で関連するトークンを生成するためのシーケンス・ツー・シーケンスモデルのトレーニングは、依然として重要な課題である。 これらの問題に対処するために、生成プロセスの指針として直接選好最適化(DPO)を用いる新しいアプローチ、QGDPOを導入する。 まず、塩基配列列列モデルを微調整し、その後、関連モデルを用いて予測をスコアリングする。 これらのスコアに基づいて,DPOトレーニングの関連性選好として,勝利と敗戦のペアを構築した。 さらに、関連モデルを用いて、粗悪な予測をフィルタリングし、索引付けに最も関連性の高いコンテンツのみを保持することにより、パイプラインを強化します。 QGDPOは、Doc2Queryのベースラインと比較する無関係な予測の50%を効果的に排除し、関連フィルタは14.61%を除去する。 この機能はフルトラフィックのためにWalmart.comの本番環境に配備され、関連性やユーザエンゲージメントを大幅に改善した。

関連論文リスト

• Preference Trajectory Modeling via Flow Matching for Sequential Recommendation [50.077447974294586]
  シーケンスレコメンデーションは、履歴的なインタラクションシーケンスに基づいて、各ユーザの次の項目を予測する。 FlowRecはシンプルだが効果的なシーケンシャルレコメンデーションフレームワークである。 我々は,ガウス雑音に代えてパーソナライズされた行動に基づく事前分布を構築し,ユーザの嗜好軌跡をモデル化するためのベクトル場を学習する。
  論文  参考訳（メタデータ） (2025-08-25T02:55:42Z)
• Aligning Web Query Generation with Ranking Objectives via Direct Preference Optimization [21.140086066964667]
  本稿では,クエリ生成プロセスにランキング信号を統合するフレームワークを提案する。 実験の結果,DPO後の問合せと文書の相互関係は高く評価された。
  論文  参考訳（メタデータ） (2025-05-25T20:34:12Z)
• Breaking the Lens of the Telescope: Online Relevance Estimation over Large Retrieval Sets [14.494301139974455]
  本稿では,オンライン関連度推定という新たな手法を提案する。 オンライン関連度推定は、ランキングプロセスを通して、クエリの関連度推定を継続的に更新する。 TRECベンチマークの手法をハイブリッド検索と適応検索の2つのシナリオで検証する。
  論文  参考訳（メタデータ） (2025-04-12T22:05:50Z)
• Quam: Adaptive Retrieval through Query Affinity Modelling [15.3583908068962]
  ユーザ情報要求に基づいて文書をランク付けする関連モデルを構築することは,情報検索とNLPコミュニティの中心的な課題である。 提案するQuamにより,適応検索の初期段階の統一的な視点を提案する。 提案手法であるQuamは,リコール性能を26%向上させる。
  論文  参考訳（メタデータ） (2024-10-26T22:52:12Z)
• Bridging and Modeling Correlations in Pairwise Data for Direct Preference Optimization [75.1240295759264]
  本稿では,BMC という名前のペアデータにおけるブリッジ・アンド・モデリングの効果的なフレームワークを提案する。 目的の修正によって、ペアの選好信号の一貫性と情報性が向上する。 DPOだけではこれらの相関をモデル化し、ニュアンス付き変動を捉えるには不十分である。
  論文  参考訳（メタデータ） (2024-08-14T11:29:47Z)
• DSI++: Updating Transformer Memory with New Documents [95.70264288158766]
  DSI++は、DSIが新たなドキュメントをインクリメンタルにインデクシングするための継続的な学習課題である。 新たな文書の連続的な索引付けは,それまでの索引付け文書をかなり忘れてしまうことを示す。 文書の擬似クエリをサンプルとして生成メモリを導入し、連続的なインデックス付け中に補足することで、検索タスクの忘れを防止する。
  論文  参考訳（メタデータ） (2022-12-19T18:59:34Z)
• Query Expansion Using Contextual Clue Sampling with Language Models [69.51976926838232]
  本稿では,実効的なフィルタリング戦略と検索した文書の融合の組み合わせを,各文脈の生成確率に基づいて提案する。 我々の語彙マッチングに基づくアプローチは、よく確立された高密度検索モデルDPRと比較して、同様のトップ5/トップ20検索精度と上位100検索精度を実現する。 エンド・ツー・エンドのQAでは、読者モデルも我々の手法の恩恵を受けており、いくつかの競争基準に対してエクサクト・マッチのスコアが最も高い。
  論文  参考訳（メタデータ） (2022-10-13T15:18:04Z)
• Heterogeneous Network Embedding for Deep Semantic Relevance Match in E-commerce Search [29.881612817309716]
  Eコマースアイテム関連性のためのエンドツーエンドの第一次および第二次関連性予測モデルを設計します。 BERTから生成された外部知識を導入し,ユーザ行動のネットワークを改良する。 オフライン実験の結果,新しいモデルにより,人間関係判定における予測精度が有意に向上した。
  論文  参考訳（メタデータ） (2021-01-13T03:12:53Z)

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。