論文の概要: WeFair: Fidelity-Aware Alignment from Human Feedback for Personalized Query Rewriting in Short-Video Search
- arxiv url: http://arxiv.org/abs/2610.16927v1
- Date: Mon, 12 Oct 2026 15:10:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.393539
- Title: WeFair: Fidelity-Aware Alignment from Human Feedback for Personalized Query Rewriting in Short-Video Search
- Title（参考訳）: WeFair:ショートビデオ検索におけるパーソナライズされたクエリ書き換えのための人間のフィードバックからの忠実度を考慮したアライメント
- Abstract要約: ショートビデオ検索には、パーソナライズされた意図を推測するコンパクトなクエリリライトが必要である。
流布やエンゲージメントに最適化されたリライターは、サポートされていない詳細を導入し、別の意図に向けて検索をリダイレクトすることができる。
WeChatショートビデオ検索におけるパーソナライズされたクエリ書き換えのためのWeFair, Fidelity-Aware Alignment from Human Feedbackを提案する。
- 参考スコア（独自算出の注目度）: 10.055062984418415
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Short-video search requires compact query rewriters that infer personalized intent from brief, ambiguous queries under strict latency constraints. The challenge is to decide when personalization is warranted and generate a reformulation that preserves the user's immediate information need. A rewriter optimized for fluency or engagement may still introduce unsupported details and redirect the search toward a different intent. Existing methods often underutilize users' actual reformulations and behavioral traces, relying instead on synthetic reasoning and indirect behavioral rewards that may produce more engaging candidates but cause intent drift. To build an effective rewriter that remains faithful to user intent, we propose WeFair, Fidelity-Aware Alignment from Human Feedback for Personalized Query Rewriting in WeChat short-video search. WeFair assigns real user behavioral signals to a progression from demonstration to preference to verification. We first mine actual human reformulations from search sessions, then apply multidimensional LLM screening and contextual verification to filter unsupported transitions without extensive manual annotation. During training, we begin with a supervised curriculum that progressively builds rewriting capabilities from large-scale human personalized query demonstrations, and then use direct preference optimization to align with users' subsequent consumption. In the final on-policy optimization stage, we construct a strict verification reward based on actual human reformulations to further boost performance with group relative policy optimization. Further analysis shows that auxiliary rewards can activate more rollout groups in GRPO but reduce intent fidelity. Online A/B testing in WeChat short-video search shows a 1.576% relative increase in effective clicked-query rate (VV>10s) and a 1.731% relative reduction in query reformulation rate.
- Abstract（参考訳）: 短いビデオ検索では、厳密なレイテンシ制約の下で、簡潔で曖昧なクエリからパーソナライズされた意図を推測する、コンパクトなクエリリライトが必要である。
課題は、パーソナライゼーションがいつ保証されるかを決め、ユーザの即時情報要求を保存するための改革を生成することである。
流布やエンゲージメントに最適化されたリライターは、サポートされていない詳細を導入し、別の意図に向けて検索をリダイレクトすることができる。
既存の手法は、しばしばユーザの実際の改革や行動の痕跡を弱め、代わりに、より有望な候補を生み出すが意図の漂流を引き起こすような、合成推論や間接的な行動報酬に頼る。
ユーザ意図に忠実な効果的なリライタを構築するために,WeChatショートビデオ検索におけるパーソナライズされたクエリ書き換えのためのヒューマンフィードバックによるWeFair, Fidelity-Aware Alignmentを提案する。
WeFairは、実際のユーザの行動信号を、デモから好み、検証までの進捗に割り当てる。
まず,検索セッションから実際の人為的再構成を抽出し,多次元LLMスクリーニングと文脈検証を手作業による手作業による注釈を伴わずにフィルタ不要な遷移に適用する。
トレーニング中、大規模なパーソナライズされたクエリのデモから書き直し機能を段階的に構築する教師付きカリキュラムから始める。
最終オン政治最適化段階では、実際の人事改革に基づく厳格な検証報酬を構築し、グループ相対的な政策最適化によるパフォーマンスをさらに向上させる。
さらなる分析により、補助報酬はGRPO内のより多くのロールアウトグループを活性化するが、意図の忠実度は低下することが示された。
WeChatのショートビデオ検索におけるオンラインA/Bテストでは、有効なクリッククエリレート(VV>10s)が1.576%増加し、クエリ修正レートが1.731%低下した。
関連論文リスト
- Beyond Saying Less: Fine-Grained Alignment for Informative and Faithful Vision-Language Models [71.46915245859357]
物体幻覚は、大きな視覚言語モデルにとって依然として大きな課題である。
本稿では,データレベルでの高密度報酬信号と,アルゴリズムレベルでの正確な信用割当を結合する微粒化アライメントフレームワークを提案する。
本手法は, 識別評価において, 顕著な性能向上を図りながら, 生成タスクにおける高情報かつ忠実な記述を生成する。
論文 参考訳（メタデータ） (2026-09-28T14:37:33Z) - Less Is Personal: Learning Minimal Sufficient User Profiles for Personalized Language Models [77.02066500576528]
Enoughは、行動記録を反復的に付加する手法であり、適応長のプロファイルを構築するためにSTOPを出力する。
有効性と効率の両面で、強力で検索の強化されたベースラインをはるかに上回ります。
論文 参考訳（メタデータ） (2026-09-08T03:09:19Z) - RECAP: Feedback-Driven Streaming Semantic User Profiles for Short-Video Recommendation [74.86562505934961]
言語ベースのユーザプロファイルは、長い行動履歴をレコメンデーションのために明示的な意味表現に変換する。
そこでは,ストリームやプロファイルの更新を限定的に行うことで,ユーザの行動が継続的に到着する,実世界のショートビデオレコメンデーションにおいて,この問題について検討する。
本稿では,ストリーミング構造化されたセマンティックプロファイルを過去のレコメンデーションフィードバックで最適化するためのオフラインクローズドループフレームワークRECAPを提案する。
論文 参考訳（メタデータ） (2026-07-17T08:10:37Z) - Aligning Large Language Models with Searcher Preferences [26.974618053554394]
オープンな生成検索のための最初の大規模言語モデル(LLM)であるSearchLLMを紹介する。
ボトムライン制約を分離する階層型多次元報酬システムの設計を行う。
オフライン評価とオンラインA/Bテストでは、生成品質とユーザエンゲージメントが改善されている。
論文 参考訳（メタデータ） (2026-03-11T06:44:30Z) - PrLM: Learning Explicit Reasoning for Personalized RAG via Contrastive Reward Optimization [4.624026598342624]
検索したユーザプロファイルを明示的に推論するために,LLMをトレーニングする強化学習フレームワークであるPrLMを提案する。
PrLMは、注釈付き推論パスを必要とせずに、ユーザの応答から効果的に学習する。
3つのパーソナライズされたテキスト生成データセットの実験は、PrLMが既存の手法より優れていることを示している。
論文 参考訳（メタデータ） (2025-08-10T13:37:26Z) - Explicit Preference Optimization: No Need for an Implicit Reward Model [18.225409932618657]
直接選好最適化(DPO)とそのオフシュートは、個別の報酬トレーニングステップの必要性を回避する。
DPOをベースとした目的は,しかしながら,準最適正規化や反直観的アーティファクトの対象であることを示す。
論文 参考訳（メタデータ） (2025-06-09T07:11:01Z) - NExT-Search: Rebuilding User Feedback Ecosystem for Generative AI Search [108.42163676745085]
NExT-Searchは、きめ細かいプロセスレベルのフィードバックを生成AI検索に再導入するために設計された次世代パラダイムである。
NExT-Searchは2つの補完モードを統合している。
論文 参考訳（メタデータ） (2025-05-20T17:59:13Z) - Gumbel Reranking: Differentiable End-to-End Reranker Optimization [61.16471123356738]
RAGシステムは関連する文書を識別するためにリランカーに依存している。
注釈付きクエリ-ドキュメントペアが不足しているため、これらのモデルの微調整は依然として難しい。
我々は,トレーニングと推論のギャップを最小限に抑えることを目的とした,リランカーのためのエンドツーエンドのトレーニングフレームワークであるGumbel Re rankを提案する。
論文 参考訳（メタデータ） (2025-02-16T13:23:39Z) - Multi-path Exploration and Feedback Adjustment for Text-to-Image Person Retrieval [21.639455548282303]
MeFaは、イントラとインターモーダルの本質的なフィードバックを探索して、ターゲットの調整を行うフレームワークである。
MeFaは、追加のデータや複雑な構造を必要とすることなく、優れた人物検索性能を実現する。
論文 参考訳（メタデータ） (2024-10-26T03:25:27Z) - Prompt Optimization with Human Feedback [69.95991134172282]
人間のフィードバックによる迅速な最適化問題(POHF)について検討する。
我々は自動POHF(Automatic POHF)というアルゴリズムを導入する。
その結果、APOHFは、少数の好みフィードバックインスタンスを用いて、効率的に適切なプロンプトを見つけることができることがわかった。
論文 参考訳（メタデータ） (2024-05-27T16:49:29Z)
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。