Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

LORE: A Large Generative Model for Search Relevance

Created by
  • Haebom
Category
Empty

저자

Chenji Lu (Alibaba Group), Zhuo Chen (Alibaba Group), Hui Zhao (Alibaba Group), Zhiyuan Zeng (Alibaba Group), Gang Zhao (Alibaba Group), Junjie Ren (Alibaba Group), Ruicong Xu (Alibaba Group), Haoran Li (Alibaba Group), Songyan Liu (Alibaba Group), Pengjie Wang (Alibaba Group), Jian Xu (Alibaba Group), Bo Zheng (Alibaba Group)

개요

LORE는 대규모 생성 모델 기반의 전자상거래 검색 관련성 향상을 위한 체계적인 프레임워크입니다. 3년간의 배포 및 반복을 통해 온라인 GoodRate 지표에서 누적 +27% 향상을 달성했습니다. 본 보고서는 데이터, 기능, 훈련, 평가 및 배포를 포함하는 개발 라이프사이클 전반에서 얻은 경험을 공유합니다. 기존 연구들이 관련성 향상을 위해 Chain-of-Thought (CoT)를 적용했지만 성능 한계에 도달하는 점을 지적하며, 관련성을 단일 작업으로 취급하는 것이 문제라고 분석합니다. LORE는 지식과 추론, 멀티모달 매칭, 규칙 준수와 같은 관련성의 개별 능력으로의 분해를 제시합니다.

시사점, 한계점

시사점:
LORE는 LLM 기반 관련성 향상을 위한 실용적인 솔루션이자 방법론적 레퍼런스 역할을 합니다.
CoT를 활용한 훈련과 RL을 통한 인간 선호도 정렬을 결합한 2단계 훈련 패러다임을 제시합니다.
핵심 능력을 평가하기 위한 포괄적인 벤치마크, RAIR를 제공합니다.
쿼리 빈도에 따른 계층적 배포 전략을 통해 오프라인 LLM 능력을 온라인 시스템으로 효율적으로 이전합니다.
한계점:
논문에서 구체적인 한계점에 대한 언급은 없습니다.
👍