論文の概要: AGR: Agentic Generative Retrieval with Tool-Augmented Search

• arxiv url: http://arxiv.org/abs/2610.26831v1
• Date: Mon, 19 Oct 2026 17:56:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 01:03:27.324258
• Title: AGR: Agentic Generative Retrieval with Tool-Augmented Search
• Title（参考訳）: AGR: ツール拡張検索によるエージェント生成検索
• Abstract要約: Agentic Generative Retrieval (AGR)は、SID生成とオンデマンド機能獲得をインターリーブするツール拡張パラダイムである。 AGRはツールを呼び出すか、どの機能を取得するか、そしてその観察がその後のデコードに影響を与えるかを決定する。 産業データセットと3つの公開ベンチマークに関する実験は、オンラインA/Bテストとともに、一貫してAGRの有効性を実証している。
• 参考スコア（独自算出の注目度）: 21.56450115440927
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale search and recommendation systems derive much of their retrieval quality from rich, heterogeneous features, yet existing generative retrieval (GR) methods struggle to exploit such feature ecosystems efficiently. Static feature injection either encodes all available signals or places them according to predetermined schemes, increasing serving cost and introducing irrelevant or conflicting evidence. More fundamentally, existing methods cannot adaptively determine when a feature is needed, which feature to select, or where it should influence hierarchical Semantic ID (SID) generation. We propose Agentic Generative Retrieval (AGR), a tool-augmented paradigm that interleaves SID generation with on-demand feature acquisition. Conditioned on the request and decoded SID prefix, AGR decides whether to invoke a tool, which feature to acquire, and where its observation should influence subsequent decoding, thereby steering generation toward feature-consistent SID branches. To supervise this behavior, we construct tool-augmented trajectories based on feature applicability and information gain along the SID hierarchy, and train the model through SID pretraining followed by tool-augmented fine-tuning. Experiments on an industrial dataset and three public benchmarks, together with an online A/B test, consistently demonstrate the effectiveness of AGR.
• Abstract（参考訳）: 大規模検索とレコメンデーションシステムは、リッチでヘテロジニアスな特徴から検索品質の多くを導き出すが、既存の生成的検索(GR)手法は、そのような特徴生態系を効率的に活用するのに苦労している。 静的なフィーチャーインジェクションは、利用可能なすべての信号をエンコードするか、所定のスキームに従ってそれらを配置し、サービスコストを増大させ、無関係または矛盾する証拠を導入する。 より根本的には、既存のメソッドは、いつ機能が必要か、どの機能を選択するか、階層的セマンティックID(SID)生成に影響を及ぼすか、を適応的に決定できない。 本稿では,SID生成とオンデマンド機能獲得をインターリーブするツール拡張パラダイムであるエージェント生成検索(AGR)を提案する。 要求されたSIDプレフィックスとデコードされたSIDプレフィックスに基づいて、AGRは、どの機能、どの機能を呼び出すか、そしてその観察がその後のデコードに影響を与えるかを決定する。 本研究では,SID階層に沿った特徴適用性と情報ゲインに基づいてツール拡張トラジェクトリを構築し,SID事前学習とツール拡張ファインタニングによるモデルトレーニングを行う。 産業データセットと3つの公開ベンチマークに関する実験は、オンラインA/Bテストとともに、一貫してAGRの有効性を実証している。

関連論文リスト

• SearchOS-V1: Towards Robust Open-Domain Information-Seeking Agent Collaboration [77.28003194268977]
  SearchOSは、脆弱で暗黙的な検索進捗を明示的で永続的で共有状態に変換するシステムレベルのマルチエージェントフレームワークである。 SOCM上に構築されたSearchOSは、サブエージェントの実行を重複させるパイプライン並列スケジューリングメカニズムを適用している。 SearchOSは評価されたシングルエージェントとマルチエージェントのベースラインの中で、すべてのメトリクスをリードする。
  論文  参考訳（メタデータ） (2026-07-16T17:51:23Z)
• Guess Where You Go: Generative Next Point-of-Interest Recommendation in Amap [12.259216278301743]
  本稿では,意味的識別子(SID)生成と生成的ポイント・オブ・インテリジェンス(POI)レコメンデーションを統合するエンド・ツー・エンドの産業フレームワークを提案する。 GwhereはAmapのホームページサービスに,高コンカレンシーと低レイテンシの制約の下でデプロイされる。 長期のオンラインA/Bテストでは、P-CTRが5.83%、U-CTRが6.20%改善された。
  論文  参考訳（メタデータ） (2026-07-13T15:44:06Z)
• IntRR: A Framework for Integrating SID Redistribution and Length Reduction [14.327886721362647]
  目的整合SID再分配と構造長削減を統合した新しいフレームワークであるIntRRを提案する。 IntRRは、代表的な生成ベースラインよりも大幅に改善され、推奨精度と効率の両方で優れた性能を達成する。
  論文  参考訳（メタデータ） (2026-02-24T09:09:40Z)
• Domain-Specific Data Generation Framework for RAG Adaptation [58.20906914537952]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデルの言語理解と推論能力と外部検索を組み合わせ、ドメイン基底応答を可能にする。 本稿では,様々なRAG適応手法に合わせて,ドメイン基底型質問応答コンテキスト(QAC)トリプルを生成するフレームワークであるRAGenを提案する。
  論文  参考訳（メタデータ） (2025-10-13T09:59:49Z)
• Understanding Generative Recommendation with Semantic IDs from a Model-scaling View [57.471604518714535]
  Generative Recommendation (GR)は、リッチアイテムのセマンティクスと協調フィルタリング信号を統合する。 一般的なアプローチの1つは、セマンティックID(SID)を使用して、自動回帰ユーザーインタラクションシーケンスモデリングのセットアップでアイテムを表現することである。 SIDをベースとしたGRは,モデルをスケールアップしながら大きなボトルネックを示す。 我々は、大規模言語モデル(LLM)を直接レコメンデーションとして使用する別のGRパラダイムを再考する。
  論文  参考訳（メタデータ） (2025-09-29T21:24:17Z)
• ImpRAG: Retrieval-Augmented Generation with Implicit Queries [34.72864597562907]
  ImpRAGは、検索と生成を統一モデルに統合するクエリフリーなRAGシステムである。 我々は、ImpRAGが、多様な形式を持つ未確認タスクの正確なマッチスコアを3.6-11.5改善したことを示す。
  論文  参考訳（メタデータ） (2025-06-02T21:38:21Z)
• Retrieval-Augmented Generation for AI-Generated Content: A Survey [38.50754568320154]
  このような課題に対処するためのパラダイムとして,レトリーバル拡張生成(RAG)が登場している。 RAGは情報検索プロセスを導入し、利用可能なデータストアから関連オブジェクトを検索することで生成プロセスを強化する。 本稿では,RAG手法をAIGCシナリオに統合する既存の取り組みを概観的にレビューする。
  論文  参考訳（メタデータ） (2024-02-29T18:59:01Z)
• Distillation Enhanced Generative Retrieval [96.69326099136289]
  生成的検索はテキスト検索において有望な新しいパラダイムであり、関連する通路の識別子文字列を検索対象として生成する。 本研究は, 蒸留による生成的検索をさらに促進するための有効な方向を特定し, DGR という名称の実行可能なフレームワークを提案する。 本研究では,4つの公開データセットに対して実験を行い,DGRが生成的検索手法の最先端性能を達成することを示す。
  論文  参考訳（メタデータ） (2024-02-16T15:48:24Z)

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。