検索関連性のスケーリング：LLM生成判定によるApp Storeランキングの強化
本文の状態
日本語全文を表示中
詳細モードで約1分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
Apple Machine Learning
Apple社は、App Storeの検索関連性を最大化するため、ユーザーの行動データとテキスト関連性を組み合わせた手法を開発した。専門家によるテキスト関連性ラベルの不足を補うため、大規模言語モデル（LLM）を活用して検索結果の品質を向上させている。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
大規模な商用検索システムは、ユーザーが探しているものを見つけられる成功したセッションを促進するために、関連性の最適化を目指しています。関連性を最大化するためには、2 つの補完的な目的を利用します：行動的関連性（ユーザーがクリックまたはダウンロードする傾向がある結果）とテキスト的関連性（クエリに対する結果の意味的な適合度です）。永続的な課題は、豊富な行動的関連性のラベルと比較して、専門家によって提供されたテキスト的関連性のラベルが不足していることです。私たちはまず、LLM の構成を体系的に評価することでこの課題に対処し、専門化され微調整されたモデルが大幅に…
原文を表示
Large-scale commercial search systems optimize for relevance to drive successful sessions that help users find what they are looking for. To maximize relevance, we leverage two complementary objectives: behavioral relevance (results users tend to click or download) and textual relevance (a result’s semantic fit to the query). A persistent challenge is the scarcity of expert-provided textual relevance labels relative to abundant behavioral relevance labels. We first address this by systematically evaluating LLM configurations, finding that a specialized, fine-tuned model significantly…
関連記事
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み