Fugu-MT 論文翻訳(概要): SCOUT: Supply-Aware Cold-Start Proactive Query Suggestion for Travel Search

論文の概要: SCOUT: Supply-Aware Cold-Start Proactive Query Suggestion for Travel Search

arxiv url: http://arxiv.org/abs/2610.05619v1
Date: Sun, 04 Oct 2026 23:30:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-10 12:28:38.75926
Title: SCOUT: Supply-Aware Cold-Start Proactive Query Suggestion for Travel Search
Title（参考訳）: SCOUT: 旅行検索のためのサプライヤ対応コールドスタートプロアクティブクエリの提案
Abstract要約: 本稿では,サプライアウェアなプロアクティブクエリ提案のためのブートストラップフレームワークSCOUTを提案する。検索エンジンを強化学習環境として扱い、生産リランカのクエリリストマッチスコアから高い報酬を得る。多様性を維持しながら在庫マッチングレート(IMR@18)を12.3%改善する。
参考スコア（独自算出の注目度）: 4.594367195828921
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generative query suggestion, powered by Large Language Models (LLMs), has become increasingly popular in search and conversational systems to reduce user friction and guide intent formulation. Existing approaches align suggestions with user preferences (e.g., clicks or conversions). This works for open-ended applications like chatbots and personal assistants, where the result space is unconstrained or historical user free-text queries are abundant. However, applying these methods to travel search presents two limitations. First, travel search is fundamentally constrained by physical inventory; a query (e.g., "romantic beachfront villa") may yield abundant results in Bali but few in Tokyo, so aligning with user preferences is not by itself grounded in what can be offered. Second, travel platforms traditionally rely on faceted search interfaces with no free-text queries. This creates a cold-start problem: without historical query logs there is no demand-side data for alignment, and without a seed query at request time, suggestions must be generated proactively from structured context alone. To address these challenges, we propose SCOUT, a bootstrapping framework for supply-aware proactive query suggestion. SCOUT overcomes the data gap by substituting missing demand-side user feedback with supply-side system feedback. It treats the search engine as a reinforcement learning environment, deriving a dense reward from the production reranker's query-listing match scores, and optimizes the policy with Group Relative Policy Optimization (GRPO). SCOUT improves inventory match rate (IMR@18) by 12.3% while preserving diversity, matching a compute-intensive best-of-8 policy at zero marginal inference cost and making supply-aware suggestion deployable on a real-time travel search path.
Abstract（参考訳）: LLM(Large Language Models)を利用したジェネレーティブクエリの提案は,ユーザの摩擦を減らし,意図の定式化を導くために,検索システムや会話システムで人気が高まっている。既存のアプローチは、提案とユーザの好み(例えば、クリックや変換)を一致させる。これはチャットボットやパーソナルアシスタントのようなオープンエンドのアプリケーションに向いている。しかし,これらの手法を旅行探索に適用すると,二つの制限が生じる。第一に、旅行検索は基本的に物理的な在庫によって制約されており、バルリでは「ロマンティックビーチフロント・ヴィラ」という問合せが豊富な結果をもたらすが、東京では少ないため、利用者の嗜好と整合性は、提供物そのものに根ざしてはいない。第二に、旅行プラットフォームは伝統的に、無料のテキストクエリーのない顔付き検索インターフェイスに依存している。履歴的なクエリログがなければ、アライメントのための要求側データはなく、リクエスト時にシードクエリがなければ、構造化コンテキストのみから提案を積極的に生成しなければなりません。これらの課題に対処するため,サプライアウェアなプロアクティブクエリ提案のためのブートストラップフレームワークであるSCOUTを提案する。 SCOUTは、需要側のユーザフィードバックをサプライ側のシステムフィードバックに置き換えることで、データギャップを克服する。検索エンジンを強化学習環境として扱い、生産リランカのクエリリストマッチスコアから高い報酬を導き、グループ相対ポリシー最適化(GRPO)でポリシーを最適化する。 SCOUTは、多様性を保ちながら在庫マッチング率(IMR@18)を12.3%改善し、計算集約型のベスト・オブ・8ポリシーを限界推論コストゼロで一致させ、リアルタイムの旅行経路に展開可能なサプライ・アウェアの提案を行う。

関連論文リスト

Policy-Grounded Dynamic Facet Suggestions for Job Search [8.820401111478139]
LinkedInでは、ジョブ関連のクエリの80%以上が、3つ以上のキーワードを含んでいる。本稿では,意図の曖昧さを容易にする対話型クエリ改善機構である動的ファセット提案(DFS)を提案する。
論文参考訳（メタデータ） (2026-05-15T17:30:45Z)
Test-Time Strategies for More Efficient and Accurate Agentic RAG [58.44913384057518]
Retrieval-Augmented Generation (RAG) システムは複雑なマルチホップ問題に直面している。このような手法は、以前に処理された情報の反復的な検索を含む非効率性を導入することができる。本稿では,これらの問題を軽減するために,サーチ-R1パイプラインに対するテスト時間修正について検討する。
論文参考訳（メタデータ） (2026-03-12T19:18:59Z)
LEAPS: An LLM-Empowered Adaptive Plugin for Taobao AI Search [17.074638179635613]
我々は,従来の検索システムを"Broaden-and-Empower"パラダイムでシームレスにアップグレードするLEAPS(LLM-Empowered Adaptive for Taobao AI Search)を提案する。新たな3段階のトレーニング戦略 – 逆データ拡張,後知識による微調整,多様性を考慮した強化学習 – を採用して,適応的および補完的なクエリの組み合わせを生成する。 2025年8月以降、Taobao AI Searchに完全にデプロイされている。
論文参考訳（メタデータ） (2026-01-09T03:41:27Z)
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)
JoinGym: An Efficient Query Optimization Environment for Reinforcement Learning [58.71541261221863]
結合順序選択(JOS)は、クエリの実行コストを最小化するために結合操作を順序付けする問題である。木質強化学習(RL)のためのクエリ最適化環境JoinGymを提案する。 JoinGymは内部で、事前計算されたデータセットから中間結果の濃度を調べることで、クエリプランのコストをシミュレートする。
論文参考訳（メタデータ） (2023-07-21T17:00:06Z)
ConvGQR: Generative Query Reformulation for Conversational Search [37.54018632257896]
ConvGQRは、生成事前訓練された言語モデルに基づいて会話クエリを再構成する新しいフレームワークである。本稿では,クエリ再構成と検索の両方を最適化する知識注入機構を提案する。
論文参考訳（メタデータ） (2023-05-25T01:45:06Z)
Graph Enhanced BERT for Query Understanding [55.90334539898102]
クエリ理解は、ユーザの検索意図を探索し、ユーザが最も望まれる情報を発見できるようにする上で、重要な役割を果たす。近年、プレトレーニング言語モデル (PLM) は様々な自然言語処理タスクを進歩させてきた。本稿では,クエリコンテンツとクエリグラフの両方を活用可能な,グラフ強化事前学習フレームワークGE-BERTを提案する。
論文参考訳（メタデータ） (2022-04-03T16:50:30Z)
Session-Aware Query Auto-completion using Extreme Multi-label Ranking [61.753713147852125]
本稿では,セッション対応クエリ自動補完の新たな手法を,XMR(Multi Multi-Xtreme Ranking)問題として取り上げる。アルゴリズムのキーステップにいくつかの修正を提案することにより、この目的のために一般的なXMRアルゴリズムを適応させる。当社のアプローチは、セッション情報を活用しながら、自動補完システムの厳しいレイテンシ要件を満たします。
論文参考訳（メタデータ） (2020-12-09T17:56:22Z)
Query Resolution for Conversational Search with Limited Supervision [63.131221660019776]
本稿では,双方向トランスフォーマに基づくニューラルクエリ解決モデルQuReTeCを提案する。我々はQuReTeCが最先端モデルより優れており、また、QuReTeCのトレーニングに必要な人為的なデータ量を大幅に削減するために、我々の遠隔監視手法が有効であることを示す。
論文参考訳（メタデータ） (2020-05-24T11:37:22Z)

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。