論文の概要: WeSearch: A Unified Model-Centric Retrieval Framework for WeChat Search

• arxiv url: http://arxiv.org/abs/2611.00530v1
• Date: Sat, 31 Oct 2026 01:35:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.412779
• Title: WeSearch: A Unified Model-Centric Retrieval Framework for WeChat Search
• Title（参考訳）: WeSearch:WeChat検索のための統一モデル中心検索フレームワーク
• Abstract要約: WeSearchは大規模かつ継続的なコンテンツ検索のためのモデル中心の検索フレームワークである。 WeSearchはクエリ関連クラスタを検索し、クエリ固有の候補空間内のアトミックドキュメントをランク付けする。 WeSearchは、コーパスを数億から数十億のドキュメントに一貫した1週間のA/Bゲインを示し、1ヶ月のフルトラフィックのA/Bテストでは、ユーザ毎のCTRが+0.68%、+2.27%の安定した改善が確認されている。
• 参考スコア（独自算出の注目度）: 26.909170336746033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present WeSearch, a unified, model-centric retrieval framework for large-scale, continuously evolving content search. Prevailing methods assign documents fixed hierarchical Semantic IDs, implicitly assuming each document follows a single coherent semantic path-an assumption that often breaks down for multi-topic documents. WeSearch instead retrieves query-relevant clusters and then ranks atomic documents within the resulting query-specific candidate space, decoupling candidate pruning from fine-grained relevance modeling. Combined with relevance-aware training, compact document representations, and incremental index updates, this design enables weekly-or daily when needed-model refreshes. Deployed as the primary semantic retrieval path in WeChat Search alongside a lexical syntax tree, WeSearch shows consistent one-week A/B gains on corpora from hundreds of millions to billions of documents, and a one-month full-traffic A/B test confirms stable improvements of +0.68% CTR and +2.27% per-user article clicks, together with a 41% reduction in retrieval resource cost and a 19 ms reduction in graphic-text retrieval latency. WeSearch is now fully deployed in WeChat Search, serving 100% of production traffic.
• Abstract（参考訳）: WeSearchは、大規模かつ継続的なコンテンツ検索のための統一されたモデル中心の検索フレームワークである。 一般的な方法では、固定された階層的なセマンティックIDを割り当て、各ドキュメントが単一の一貫性のあるセマンティックパスに従うことを暗黙的に仮定する。 代わりにWeSearchはクエリ関連クラスタを検索し、クエリ固有の候補空間内のアトミックドキュメントをランク付けする。 レバレンス対応のトレーニング、コンパクトドキュメント表現、インクリメンタルインデックス更新と組み合わせることで、このデザインは、必要であれば毎週または毎日更新できる。 語彙構文木と共にWeChat Searchで主要なセマンティック検索パスとして展開されたWeSearchは、数億から数十億のドキュメントからコーパスに対する一貫性のある1週間のA/Bゲインを示し、1ヶ月のフルトラフィックA/Bテストでは、ユーザ毎のCTRと2.27%の安定した改善と、リソースコストの41%の削減、グラフィックテキストの検索遅延の19ミリ秒の削減が確認されている。 WeSearchは現在、WeChat Searchに完全にデプロイされており、プロダクショントラフィックの100%を提供している。

関連論文リスト

• Cascaded Retrieval with Cross-Modal Query Refinement for Efficient Visual Document Search [54.48124421246385]
  現在の視覚言語レトリバーは、コーパスサイズとともに成長し、スケールすることができないクエリ時間コストを発生させる。 本稿では,検索性能を徹底検索から分離する2トラック検索フレームワークSCOUTを提案する。 SCOUTを4つの主要なベンチマークで評価し、最高のベースラインに対して80.7倍(平均28.8倍)のクエリ時間遅延改善を観測した。
  論文  参考訳（メタデータ） (2026-10-14T15:40:27Z)
• VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
  VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。 100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。 強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
  論文  参考訳（メタデータ） (2026-08-18T15:23:06Z)
• RCEM: Embedder Equipped with Query Rewriting Skill for Robust Conversational Search in Distributional Shift [7.4048532358172245]
  本稿では,LLMの問合せ変換能力を埋込みモデルに蒸留する,対話型高密度検索モデルRCEMを提案する。 直接の会話と文書のマッチングを学習する従来の会話の密集した検索手法とは異なり、RCEMは会話クエリの埋め込みと書き直しクエリの埋め込みを整列する。 QReCC、TopiOCQA、TREC CAsTの実験は、RCEMが強い会話検索ベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-06-01T05:04:17Z)
• GrepSeek: Training Search Agents for Direct Corpus Interaction [66.69568141699311]
  GrepSeekは、コンパクトな検索エージェントを訓練し、大きなテキストコーパスから証拠を見つけ、フィルタリングし、構成する、最適化された直接コーパスインタラクション(DCI)検索エージェントである。 DCIを大規模に実用化するためには、シェルコマンドのシーケンシャルな実行とバイトエクササイズ等価性を保ちながら、シェルベースの検索を最大7.6タイムで高速化するセマンティックス保存のシャード並列実行エンジンを使用する。
  論文  参考訳（メタデータ） (2026-05-28T03:37:33Z)
• Chain of Retrieval: Multi-Aspect Iterative Search Expansion and Post-Order Search Aggregation for Full Paper Retrieval [68.71038700559195]
  The Chain of Retrieval (COR) is a novel repeaterative framework for full-paper search。 SCIBENCH(SCIBENCH)は、クエリと候補のための全論文の完全なコンテキストとセグメント化されたコンテキストを提供するベンチマークである。
  論文  参考訳（メタデータ） (2025-07-14T08:41:53Z)
• Query Drift Compensation: Enabling Compatibility in Continual Learning of Retrieval Embedding Models [18.67755359053732]
  インデクシングを必要とせずに,すでにインデックス付け済みのコーパスを効果的に利用できるかを検討した。 安定性を維持するために,クエリとドキュメントの埋め込みの両方に埋込み蒸留を用いる。 本稿では,検索中に新しいクエリドリフト補償手法を提案し,新しいモデルクエリ埋め込みを従来の埋め込み空間に提案する。
  論文  参考訳（メタデータ） (2025-05-27T14:52:52Z)
• 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)
• 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)
• CODER: An efficient framework for improving retrieval through COntextualized Document Embedding Reranking [11.635294568328625]
  本稿では,最小計算コストで広範囲の検索モデルの性能を向上させるためのフレームワークを提案する。 ベース密度検索法により抽出された事前計算された文書表現を利用する。 実行時に第一段階のメソッドの上に無視可能な計算オーバーヘッドを発生させ、最先端の高密度検索手法と簡単に組み合わせられるようにする。
  論文  参考訳（メタデータ） (2021-12-16T10:25:26Z)

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。