Modeling Diverse Relevance Patterns in Ad-hoc Retrieval
在ad-hoc检索中评估查询和文档之间的相关性是具有挑战性的，这是由于其不同的模式，即，一个文档可以作为一个整体或部分地与查询相关，只要它为用户的需要提供足够的信息。这种不同的相关性模式需要一个理想的检索模型，能够评估在正确的粒度自适应的相关性。遗憾的是，大多数现有的检索模型计算的相关性在一个单一的粒度，无论是文档范围内或企业级，或使用固定的组合策略，限制了他们的能力，在捕捉不同的相关模式。在这项工作中，我们提出了一个数据驱动的方法，让相关性信号在不同的粒度相互竞争，最终的相关性评估。具体来说，我们提出了一个层次神经匹配模型（HiNT），它由两个堆叠组件，即局部匹配层和全局决策层。局部匹配层的重点是通过对查询和文档的每个段落之间的语义匹配进行建模来产生一组局部相关性信号。全局决策层将局部信号累积成不同的粒度，并允许它们相互竞争以决定最终的相关性得分。实验结果表明，我们的HiNT模型优于现有的国家的最先进的检索模型显着的基准ad-hoc检索数据集。
2018-05-15 cs.IR
GRM: Generative Relevance Modeling Using Relevance-Aware Sample Estimation for Document Retrieval
针对大语言模型生成式查询扩展易产生无关信息损害检索效果的问题，提出采用相关性感知样本估计的生成式相关性建模GRM，通过匹配真实文档与神经重排估计相关性以优化扩展词权重，在三个基准上显著提升检索性能。
2023-06-16 cs.IR
Evaluating Elements of Web-based Data Enrichment for Pseudo-Relevance Feedback Retrieval
在这项工作中，我们分析了一个伪相关检索方法的基础上，Web搜索引擎的结果。通过使用来自Web搜索引擎结果页面和链接内容的文本数据来丰富主题，我们训练特定于主题且具有成本效益的分类器，这些分类器可用于搜索相关文档的测试集合。在Grossman和Cormack最初在TREC Common Core 2018上所做的尝试的基础上，我们考虑到不同的搜索引擎，查询和测试集合，解决了系统性能随时间推移的问题。我们的实验结果显示了所考虑的组件如何以及在多大程度上影响检索性能。总体而言，分析的方法是强大的平均检索性能和一个有前途的方式来使用Web内容的数据丰富的相关反馈方法。
2022-03-10 cs.IR
Dynamic Model for Query-Document Expansion towards Improving Retrieval Relevance
从搜索引擎中获取相关信息一直是信息检索研究工作的核心。查询扩展是一种已经被研究并被证明在相关性方面产生积极结果的检索技术。用户需要将他们的查询表达为单词、句子或问题的短列表。使用这种简短的格式，大量的信息在从实际查询大小转换所需信息的过程中丢失，因为用户不能用几句话表达他所有的想法。这主要导致不良的查询表示，这有助于不期望的检索效率。这种信息的丢失使得查询扩展技术的研究成为一个强有力的研究领域。本研究工作的重点是两种检索方法的鸣叫长度查询和长度查询。已经提出了两种算法，预计实现产生一个更好的相关性检索模型比大多数国家的最先进的相关性模型。
2021-03-18 cs.IR
TripJudge: A Relevance Judgement Test Collection for TripClick Health Retrieval
健壮的测试集是信息检索研究的关键。最近有越来越多的兴趣在评估特定领域的检索任务的检索系统，但这些任务往往缺乏一个可靠的测试收集与人类注释的相关性评估后，克兰菲尔德范式。在医疗领域，最近提出了TripClick收集，它包含来自Trip搜索引擎的点击日志数据，并包括两个基于点击的测试集。然而，点击偏向于所使用的检索模型，这仍然是未知的，和以前的研究表明，测试集有一个低的判断覆盖率的前10名的词汇和神经检索模型的结果。在本文中，我们提出了新的，相关性判断测试收集TripJudge TripClick健康检索。我们收集相关性的判断，在一个注释活动，并确保质量和可重用性TripJudge的各种排名方法创建池，由多个判断每个查询文档对，并通过至少适度的注释者之间的协议。我们比较系统评价与TripJudge和TripClick，发现点击和判断为基础的评价，可以导致显着不同的系统排名。
2022-08-14 cs.IR
Relevance Feedback in Conceptual Image Retrieval: A User Evaluation
本文描述的视觉对象信息检索系统实现了一种结合概念层和视觉层的图像检索方法。它使用来自文本词库的术语来表示概念信息，并且还与图像区域，视觉信息一起工作。这些术语通过加权关联与图像区域相关，从而能够执行概念级查询。VOIR使用基于区域的相关反馈来提高每个查询会话中的结果的质量，并发现文本和图像之间的新关联。本文介绍了一个以用户为中心的和面向任务的比较评估的VOIR进行考虑三个不同版本的VOIR：一个完整的版本;一个支持相关反馈只在图像级别;和第三个版本不支持相关反馈在所有。评价结果表明，基于区域的相关反馈的背景下，VOIR原型的有用性。
2008-09-28 cs.IR
A Deep Relevance Matching Model for Ad-hoc Retrieval
近年来，深度神经网络在语音识别、计算机视觉和自然语言处理（NLP）任务方面取得了令人兴奋的突破。然而，深度模型在ad-hoc检索任务上的积极结果很少。这部分是由于ad-hoc检索任务的许多重要特征尚未在深度模型中得到很好的解决。通常，ad-hoc检索任务在现有工作中使用深度模型形式化为两段文本之间的匹配问题，并且等同于许多NLP任务，例如释义识别，问答和自动会话。然而，我们认为，ad-hoc检索任务主要是相关匹配，而大多数NLP匹配任务涉及语义匹配，这两个匹配任务之间有一些根本的区别。成功的相关性匹配需要正确处理准确的匹配信号，查询词的重要性，和不同的匹配要求。在本文中，我们提出了一种新的深度相关匹配模型（DRMM）的ad-hoc检索。具体来说，我们的模型采用了联合深度架构在查询词的相关性匹配。通过使用匹配直方图映射、前馈匹配网络和术语选通网络，我们可以有效地处理上述三个相关性匹配因素。在两个具有代表性的基准集合上的实验结果表明，我们的模型可以显着优于一些著名的检索模型以及最先进的深度匹配模型。
2017-11-23 cs.IR
Offline Pseudo Relevance Feedback for Efficient and Effective Single-pass Dense Retrieval
针对伪相关反馈会使稠密检索在线延迟翻倍的问题，提出将PRF流程转移到离线的单轮稠密检索框架，在标准数据集上验证了其有效性，可在保证效果的同时提升在线检索速度。
2023-08-20 cs.IR
Investigating Bell Inequalities for Multidimensional Relevance Judgments in Information Retrieval
信息检索中的相关性判断受到多种因素的影响。这些不仅包括时事性的文件，但也有其他面向用户的因素，如信任，用户的兴趣等，最近的作品已确定这些各种因素的相关性分为七个方面。在以前的工作中，这些相关性维度被量化，用户的认知状态相对于一个文件表示为一个状态向量在希尔伯特空间中，每个相关性维度代表一个基础。有人指出，在作出判断时，某些文件的相关性方面是不一致的。不相容性是量子理论的一个基本特征，这促使我们使用Bell型不等式来测试相关性判断的量子性质。然而，没有贝尔型不等式测试显示任何违反。我们讨论了我们的方法来构建不兼容的基础文件从现实世界的查询日志数据，实验来测试贝尔不等式在这个数据集和可能的原因缺乏违规。
2019-03-13 cs.IR
Domain Adaptation for Dense Retrieval and Conversational Dense Retrieval through Self-Supervision by Meticulous Pseudo-Relevance Labeling
提出结合查询生成与自监督伪相关标注（使用T5-3B和困难负例）的方法，实现密集检索及对话密集检索的领域自适应，实验证明微调后基线模型性能提升。
2024-03-13 cs.IR
Generative Retrieval Meets Multi-Graded Relevance
提出 GR$^2$ 框架，通过联合优化标识符的相关性与区别性并采用多级受限对比训练，将生成式检索扩展至多级相关性场景，有效提升了检索性能。
2024-09-27 cs.IR
Revisiting Iterative Relevance Feedback for Document and Passage Retrieval
随着越来越多的搜索流量来自手机、智能助理和智能家居设备，新的挑战（例如，有限的呈现空间），并且在信息检索中出现了机会。以前，一种有效的技术，相关反馈（RF），很少被用于实际的搜索场景，由于收集用户的相关性判断的开销。然而，由于用户倾向于与新界面上显示的搜索结果进行更多的交互，因此在每次交互期间获得用户对一些结果的评估是可行的。这使得迭代相关反馈（IRF）技术看起来很有前途。在新的搜索设想中，没有对综合资源框架进行系统研究，其有效性大多未知。在本文中，我们重新访问IRF和扩展它与RF模型近年来提出的。我们进行了大量的实验，分析和比较IRF与标准的top-k RF框架的文件和段落检索。实验结果表明，IRF至少与标准的top-k RF框架一样有效，并且对于段落更有效。这表明IRF在通道检索方面具有巨大的潜力。
2019-06-09 cs.IR
Pseudo-Relevance Feedback for Multiple Representation Dense Retrieval
伪相关反馈机制，从Rocchio到相关性模型，已经显示出使用在被检索文档的初始集合（被称为伪相关集合）中出现的信息来扩展和重新加权用户的初始查询的有用性。最近，稠密检索-通过使用神经上下文语言模型，如BERT分析文档和查询的内容，并计算其相关性分数-已经显示出有前途的性能上的几个信息检索任务仍然依赖于传统的倒排索引，用于识别文档相关的查询。出现了两种不同的稠密检索家族：对每个段落和查询使用单个嵌入式表示（例如使用BERT的[CLS]令牌），或通过多个表示（例如使用查询和文档的每个令牌的嵌入）。在这项工作中，我们进行了第一次研究的潜力多表示稠密检索，以提高使用伪相关反馈。特别是，基于使用第一遍稠密检索识别的伪相关文档集，我们提取代表性的反馈嵌入（使用KMeans聚类）--同时确保这些嵌入区分段落（基于IDF）--然后将其添加到查询表示中。这些额外的反馈嵌入，以提高效率的重新排序，以及一个额外的稠密检索操作。事实上，在MSMARCO通道排名数据集上的实验表明，通过将我们提出的ColBERT-PRF方法应用于ColBERT稠密检索方法，MAP在TREC 2019查询集上可以提高26%，在TREC 2020查询集上可以提高10%。
2021-07-01 cs.IR
Beyond Content Relevance: Evaluating Instruction Following in Retrieval Models
本研究评估检索模型在内容相关性之外的指令遵循能力，开发了涵盖六种文档级属性的InfoSearch基准及SICR和WISE指标，发现微调与扩大模型规模虽有提升，但多数模型仍难完全遵从指令。
2025-03-05 cs.IR
RelEmb: A relevance-based application embedding for Mobile App retrieval and categorization
信息检索系统已经彻底改变了信息的组织和提取。近年来，移动应用程序（app）已成为收集和传播信息的主要工具。然而，关于如何在用户设备上检索和组织移动应用程序的研究有限。在本文中，作者提出了一种新的方法来估计应用程序嵌入，然后将其应用于应用程序聚类，分类和检索等任务。将应用嵌入用于查询扩展、最近邻分析使得能够实现独特且有趣的用例，以增强移动应用的终端用户体验。
2019-04-14 cs.IR
Relevance Judgment Convergence Degree -- A Measure of Inconsistency among Assessors for Information Retrieval
在为信息检索系统创建评价数据集时，评价人员的相关性判断具有固有的主观性和动态性。然而，一小群专家的相关性判断结果通常被视为地面真相，以“客观地”评估的IR系统的性能。最近的趋势是打算雇用一组法官，如外包，以减轻潜在的偏见的判断结果源于只使用一个专家的判断。然而，不同的法官可能会有不同的意见，可能不同意对方，和人类的相关性判断的不一致性可能会影响IR系统的评估结果。在这项研究中，我们引入了一个相关判断收敛度（RJCD）来衡量评估数据集的查询质量。实验结果表明，建议的RJCD分数和两个IR系统之间的性能差异之间的强相关系数。
2022-08-08 cs.IR
Breaking the Lens of the Telescope: Online Relevance Estimation over Large Retrieval Sets
本文提出在线相关性估计范式，通过在线老虎机算法在排序过程中持续更新查询相关性估计，动态重排候选文档，从而缓解传统望远镜式检索的召回率限制，并在TREC基准上验证其样本高效性和召回率提升效果。
2025-05-07 cs.IR
Evaluating Sentence-Level Relevance Feedback for High-Recall Information Retrieval
本研究使用了一种新的模拟框架，以评估是否减少了时间和精力，以实现高召回使用主动学习与孤立的句子，而不是完整的文件，审查相关反馈。在较弱的假设下，即审阅整个文档比单个句子需要更多的时间和精力，模拟结果表明，使用孤立的句子进行相关反馈可以产生相当的准确性和更高的效率，相对于AutoTAR连续主动学习（“CAL”）的最新基线模型实现（BMI）TREC 2015年和2016年全面召回跟踪中使用的方法。
2019-03-28 cs.IR
Domain Adaptation for Dense Retrieval through Self-Supervision by Pseudo-Relevance Labeling
虽然神经信息检索已经取得了很大的进步，但最近的工作表明，稠密检索模型对具有不同分布的目标域的泛化能力是有限的，这与基于交互的模型所获得的结果形成对比。为了解决这个问题，研究人员采用了对抗学习和查询生成方法;然而，这两种方法的改进有限。在本文中，我们建议使用一个自我监督的方法，其中伪相关标签自动生成的目标域。为此，我们首先在目标域上使用标准BM 25模型来获得文档的第一次排名，然后使用基于交互的模型T53 B来重新排名顶级文档。我们进一步结合这种方法与知识蒸馏依赖于一个基于互动的教师模型训练的源域。我们的实验表明，使用T53 B和MiniLM教师的伪相关性标记平均表现优于其他方法，并有助于改善最先进的查询生成方法GPL时，它是微调的伪相关性标记的数据。
2022-12-13 cs.IR
Enhancing Relevance of Embedding-based Retrieval at Walmart
针对沃尔玛EBR系统存在的检索相关性下降问题，提出基于人工反馈的RRM模型去噪蒸馏、拼写感知训练及半正样本生成等方法，经离线评估、在线AB测试及生产部署验证有效提升了检索相关性。
2024-08-14 cs.IR
Document Distance for the Automated Expansion of Relevance Judgements for Information Retrieval Evaluation
本文报告使用的文件距离为基础的方法，自动扩大可用的相关性判断的数量时，这些是有限的，减少到只有积极的判断。例如，当唯一可用的判决是从已发表的评论文件的参考文献清单中摘录时，可能会发生这种情况。我们比较了两个文档集的结果：OHSUMED，基于医学研究出版物，TREC-8，基于新闻提要。我们表明，这些扩大的相关性判断的基础上的评价是更可靠的，比那些只使用最初可用的判断，特别是当可用的判断的数量是非常有限的。
2015-01-26 cs.IR
Learning Multiresolution Relevance for Hierarchical Generative Retrieval
Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）；Meituan（美团）
提出RARS方法，通过将文档级相关性分解为层级条件分布来监督查询编码器，在自回归生成式检索中提升多语言ESCI数据集上的检索性能，且推理时无需额外开销。
2026-10-01 cs.IR
Do Perceived Gender Biases in Retrieval Results Affect Relevance Judgements?
这项工作的影响，性别陈规定型偏见的内容检索结果的相关性判断的用户/注释。特别是，由于在信息检索（IR）的相关性是一个多维的概念，我们研究的价值和质量的检索文件的一些偏见敏感的查询是否可以判断不同的文件的内容时，代表不同的性别。为此，我们进行了一系列已知参与者性别的实验以及未指定参与者性别的实验。一组实验包括检索任务，参与者执行不同的搜索查询和搜索结果文档汇编的评级相关性判断。显示的文档包含不同的性别指示，并且与查询相关或不相关。结果显示了不同性别内容的文档之间的平均判断相关性得分之间的差异。我们的工作启动进一步的研究，在用户的性别刻板印象的看法与他们的判断和影响IR系统的连接，并旨在提高认识，在这一领域可能存在的偏见。
2022-03-03 cs.IR
DeepRank: A New Deep Architecture for Relevance Ranking in Information Retrieval
针对信息检索中的相关性排序问题，提出了一种基于深度学习的相关性排序方法.诸如DSSM和CDSSM的现有深度IR模型直接应用神经网络来生成排名分数，而没有对相关性的明确理解。根据人类判断过程，通过以下三个步骤生成相关性标签：1）检测相关位置，2）确定局部相关性，3）聚合局部相关性以输出相关性标签。在本文中，我们提出了一种新的深度学习架构，即DeepRank，来模拟上述人类判断过程。首先，设计一种检测策略来提取相关上下文。然后，通过利用卷积神经网络（CNN）或二维门控递归单元（2D-GRU）应用测量网络来确定局部相关性。最后，使用具有顺序整合和术语门控机制的聚合网络来产生全局相关性得分。DeepRank很好地捕捉了重要的IR特征，包括精确/语义匹配信号，接近度，查询词重要性和不同的相关性要求。在LETOR基准数据集和大规模点击数据上的实验表明，DeepRank可以显著优于学习排名方法和现有的深度学习方法。
2019-07-22 cs.IR
Towards an In-Depth Comprehension of Case Relevance for Better Legal Retrieval
本文介绍TQM团队在COLIEE2024中的法律检索方法，通过融合词汇匹配、语义检索、学习排序及启发式预处理与后处理技术，深入理解案例相关性，最终在任务1和任务3中分别取得第一和第三名。
2024-04-01 cs.IR
Discovering Biases in Information Retrieval Models Using Relevance Thesaurus as Global Explanation
本文提出通过构建相关性词库全局解释神经检索模型，并用于增强BM25以近似神经模型预测，实验揭示了排序模型中的品牌名称偏差。
2024-10-04 cs.IR
Not All Relevance Scores are Equal: Efficient Uncertainty and Calibration Modeling for Deep Retrieval Models
在任何排名系统中，检索模型基于其对文档与给定搜索查询的相关程度的信念输出文档的单个分数。虽然检索模型不断改进，引入越来越复杂的体系结构，很少有作品调查的检索模型的信念，在一个单一的值的范围之外的分数。我们认为，捕获模型的不确定性，就其自己的评分的文件是检索的一个重要方面，允许更多地使用当前的模型在新的文档分布，集合，甚至提高效率的下游任务。在本文中，我们解决这个问题，通过一个有效的贝叶斯框架检索模型，捕捉模型的信念，通过随机过程的相关性得分，同时只增加微不足道的计算开销。我们通过基于排名的校准度量来评估这种信念，表明我们的近似贝叶斯框架通过风险感知重新排名及其置信度校准显著提高了检索模型的排名有效性。最后，我们证明了这种额外的不确定性信息是可操作的和可靠的下游任务表示通过截止预测。
2021-05-10 cs.IR
TRUE: A Reproducible Framework for LLM-Driven Relevance Judgment in Information Retrieval
University of Washington（华盛顿大学）；The University of Oklahoma（俄克拉荷马大学）
TRUE是一种用于信息检索中基于大语言模型的相关性判断的可重复框架，通过迭代数据采样和推理评估多个相关性因素，提升相关性判断的可靠性和可重复性。
2026-01-11 cs.IR
From Relevance to Utility: Evidence Retrieval with Feedback for Fact Verification
本文提出基于反馈的证据检索器（FER），通过利用声明验证器的反馈优化证据检索，以效用性替代相关性，提升事实核查性能。
2025-10-18 cs.IR
Graph-based Hierarchical Relevance Matching Signals for Ad-hoc Retrieval
特别检索任务是在给定查询和文档集合的情况下对相关文档进行排名。一系列基于深度学习的方法被提出来解决这一问题，并得到了广泛的关注。然而，我们认为，它们本质上是基于本地的单词序列，忽略了微妙的长距离文档级的单词关系。为了解决这个问题，我们显式地通过图结构来建模文档级单词关系，通过图神经网络捕获细微的信息。此外，由于文档集合的复杂性和规模，在更一般的水平上探索不同粒度的分层匹配信号是相当重要的。因此，我们提出了一个基于图的层次相关匹配模型（GHRM）的ad-hoc检索，我们可以捕捉微妙的和一般的层次匹配信号同时。我们通过两个典型的ad-hoc检索基准测试验证了GHRM的效果，综合实验和结果证明了其优于现有方法的优势。
2021-02-22 cs.IR
A Graph-based Relevance Matching Model for Ad-hoc Retrieval
为了在给定查询的情况下检索到更相关、更合适和更有用的文档，通过文本找到关于该查询的线索至关重要。最近的深度学习模型将该任务视为术语级匹配问题，其在文档中寻找精确或相似的查询模式。然而，我们认为，它们本质上是基于当地的互动，并没有推广到无处不在的，非连续的上下文关系。在这项工作中，我们提出了一种新的相关性匹配模型的基础上图神经网络，利用文档级的词的关系进行ad-hoc检索。除了本地的相互作用，我们明确地将一个术语的所有上下文通过文字的图形文本格式。可以相应地揭示匹配模式以提供更准确的相关性分数。我们的方法在两个特设基准上的表现明显优于强基线。我们还通过实验将我们的模型与BERT进行了比较，并展示了我们在长文档上的优势。
2021-01-29 cs.IR
EviProp: Seeded Relevance Diffusion on Chunk-Page Graphs for Long Multimodal Document Retrieval
East China Normal University（华东师范大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Fudan University（复旦大学）；Shanghai Jiao Tong University（上海交通大学）；University of Shanghai for Science and Technology（上海理工大学）
提出EviProp方法，通过构建多模态块-页图并利用个性化PageRank扩散相关性，解决长文档中证据页检索的独立匹配局限，提升检索准确率。
2026-06-08 cs.IR
Iterative Relevance Feedback for Answer Passage Retrieval with Passage-level Semantic Match
相关反馈技术假设用户为前k个（通常是10个）文档提供相关性判断，然后根据这些判断使用新的查询模型重新排名。尽管这是有效的，但最近关于这个主题的研究很少，因为在典型的Web搜索场景中，要求用户对结果列表提供实质性的反馈是不切实际的。然而，在诸如利用灵巧家庭设备的基于语音的搜索的新环境中，在用户与系统的交互期间可能获得关于结果质量的反馈。由于在这种环境中，在一次交互中可以显示的结果的长度和数量受到严格的限制，因此重点应该从浏览结果列表转移到迭代检索，从检索文档转移到检索答案。在本文中，我们研究了迭代相关反馈技术，重点是检索答案段落。我们首先表明，迭代反馈是更有效的答案检索的top-k方法。然后，我们提出了一个迭代反馈模型的基础上的词级语义匹配，并表明它可以产生显着的改进相比，基于词的迭代反馈模型和那些基于术语级语义相似度。
2018-12-20 cs.IR
Term Relevance Feedback for Contextual Named Entity Retrieval
我们解决了用户在上下文命名实体检索（CNER）中的作用，表明（1）用户识别重要的上下文承载术语优于自动化方法，以及（2）如果用户表示这些术语的相对重要性，则可以进一步获得收益。CNER在精神上类似于列表问答和实体消歧。然而，CNER的主要重点是获得用户反馈，以便动态地为一类实体构建配置文件，并使用该配置文件从自由文本中检索实体。给定一个句子，以及从该句子中选择的实体，CNER旨在检索具有与查询实体相似的实体的句子。本文探讨了如何从人那里获得术语相关反馈和重要性权重，以改进CNER系统。我们根据IR研究人员和众包工作者的努力报告了我们的发现。
2018-01-08 cs.IR
A Study of Factuality, Objectivity and Relevance: Three Desiderata in Large-Scale Information Retrieval?
信息检索（IR）系统处理的许多信息是不可靠的，有偏见的，通常是不可信的[1]，[2]，[3]。然而，事实性和客观性检测并不是IR系统的标准组件，尽管在过去十年中自然语言处理（NLP）中已经成为可能。受此启发，我们询问事实性和客观性检测是否以及如何使IR受益。我们分两部分回答这个问题。首先，我们使用最先进的自然语言处理技术计算两个TREC集合中文档真实性和客观性的概率，并分析其与文档相关性的关系。我们发现，真实性是强烈的，正相关的文件相关性，但客观性不是。其次，我们研究的影响，真实性和客观性的检索效率，将它们作为查询独立的功能，我们结合了竞争力的语言建模基线。对450个TREC查询的实验表明，在强基线上，真实性提高了精度>10%，特别是对于网络搜索中使用的未经策划的数据;客观性给出了混合的结果。一个总体的明显趋势是，当搜索未经策划的（例如网络）文档时，文档的真实性和客观性对IR更有利。据我们所知，这是第一个研究的真实性和客观性的后端IR，贡献新的发现之间的关系相关性和真实性/客观性，并在统计上显着收益的检索效率在竞争激烈的网络搜索任务。
2016-10-08 cs.IR
Axiomatic Causal Interventions for Reverse Engineering Relevance Computation in Neural Retrieval Models
针对神经检索模型相关性计算机制不明的问题，提出使用因果干预与机制可解释性方法逆向工程神经排序器，成功隔离出满足词频公理的注意力头组件，为细粒度分析模型决策过程及安全部署开辟了新途径。
2025-02-03 cs.IR
Effects of context, complexity, and clustering on evaluation for math formula retrieval
现在有几个用于公式检索任务的测试集合，其中系统的目标是识别有用的数学公式，以响应作为公式提出的查询。这些测试集合在查询格式、查询复杂性、查询数量、内容源和相关性定义方面有所不同。六个公式检索测试集合之间的比较说明，基于查询和/或文档上下文定义相关性可能是必然的，系统结果随公式复杂性而显著变化，并且在对具有相同符号布局的公式进行聚类后判断相关性（即，符号布局树）可能会影响系统首选项排序。
2021-11-20 cs.IR
Hybrid XML Retrieval: Combining Information Retrieval and a Native XML Database
本文探讨了三种方法对XML检索的影响：使用Zettair，一个全文信息检索系统;使用eXist，一个本地XML数据库;并使用一个混合系统，从Zettair的完整文章的答案，并使用eXist从这些文章中提取元素。对于纯内容主题，我们对INEX 2003相关性评估进行了初步分析，以确定高度相关的文档组件的类型。进一步的分析确定了相关性评估的两个补充子案例（“一般”和“具体”）和两类专题（“广义”和“狭义”）。我们开发了一种新的检索模块，对于一个内容唯一的主题，利用信息从一个原生XML数据库的答案列表，并动态地确定优选的检索单元，我们称之为“一致的检索元素”。我们的实验结果表明，-当三个系统中的每一个被评估对不同的检索方案（如不同的情况下的相关性评估，不同的主题类别和不同的选择的评价指标）-的XML检索系统表现出不同的行为和最佳性能可以达到不同的值的检索参数。在INEX 2003年的相关性评估的情况下，只有内容的主题，我们新开发的混合XML检索系统是更有效的比Zettair或eXist，并产生一个强大的和非常有效的XML检索。
2005-07-28 cs.IR
Relevance-Resolution Transfer via Scale-Decomposable Fractional Diffusion for Multi-Length Cross-Modal Hash Retrieval
School of Computer Science, Wuhan University（武汉大学计算机学院）
提出MultiBit方法，通过尺度可分解分数阶扩散将多标签相关性分辨率迁移至多长度汉明空间，解决相关性分辨率瓶颈，提升跨模态哈希检索精度。
2026-09-29 cs.IR
RAG-Match: Retrieval-Augmented Knowledge Injection and Hierarchical Reasoning for Calibrated Semantic Relevance
Qwen Applications Business Group of Alibaba（阿里巴巴通义千问应用业务组）
提出RAG-Match三阶段框架，通过知识增强预训练、分层推理对齐和偏好决策校准，提升搜索场景中细粒度语义相关性判断的准确性。
2026-05-25 cs.IR
Optimizing Recall or Relevance? A Multi-Task Multi-Head Approach for Item-to-Item Retrieval in Recommendation
针对I2I检索过度依赖共同交互而忽视语义相关性的问题，本文提出多任务多头模型MTMH，通过联合优化召回与相关性，在商业平台数据上显著提升召回率与语义相关性，并改善短期消费与长期用户体验指标。
2025-06-06 cs.IR
Cross-Lingual Relevance Transfer for Document Retrieval
University of Waterloo（滑铁卢大学）
最近的工作表明，多语言BERT作为一个zero-shot跨语言迁移模型的语言处理任务的惊人的能力。我们将这一发现与一个类似的，最近提出的建议，文档检索的文档级的相关性建模，以证明多语言的BERT跨语言的相关性模型传输的能力。对来自不同语系（中文、阿拉伯语、法语、印地语和孟加拉语）的五种不同语言的测试集进行的实验表明，用英语数据训练的模型提高了排名质量，而无需任何特殊处理，无论是（非英语）单语言检索还是跨语言检索。
2019-11-08 cs.CL cs.IR
Tag Relevance Fusion for Social Image Retrieval
Renmin University of China（中国人民大学）；Shanghai Key Laboratory of Intelligent Information Processing（上海智能信息处理重点实验室）
由于社会标签的主观性质，测量社会标签相对于视觉内容的相关性对于检索越来越多的社会网络图像是至关重要的。见证标签相关性的单一测量的限制，我们在本文中引入标签相关性融合作为标签相关性估计方法的扩展。我们提出了一个系统的研究，包括标签相关性融合的早期和后期阶段，并在监督和无监督的设置。在一个大型的基准集上的实验表明，标签相关性融合可以带来更好的图像检索效果。此外，无监督的标签相关性融合被发现是实际有效的监督标签相关性融合，但不需要任何训练的努力。这一发现表明了标签相关性融合在现实世界部署中的潜力。
2014-10-13 cs.CV cs.IR
Unified Supervision for Walmart's Sponsored Search Retrieval via Joint Semantic Relevance and Behavioral Engagement Modeling
Walmart Global Tech（沃尔玛全球技术）
本文提出一种基于语义相关性和行为参与的统一监督框架，通过结合语义标签、检索先验分数和用户参与信号，提升沃尔玛电子商务赞助搜索检索性能。
2026-04-17 cs.IR
Enhancing Health Information Retrieval with RAG by Prioritizing Topical Relevance and Factual Accuracy
本文提出一种基于RAG的三阶段健康信息检索模型，利用LLM生成GenText，同时评估文档的主题相关性与事实准确性，实验证明其能有效缓解健康错误信息问题。
2025-02-07 cs.IR
TPRF: A Transformer-based Pseudo-Relevance Feedback Model for Efficient and Effective Retrieval
提出基于 Transformer 的 TPRF 伪相关反馈方法，在无 GPU、内存和 CPU 受限环境中以更小内存和更快推理实现稠密检索，且效果损失很小并适用于任意稠密检索器。
2024-12-06 cs.IR
Graded Relevance Scoring of Written Essays with Dense Retrieval
本文提出利用Contriever密集检索编码器与质心1-最近邻分类进行作文相关性分级，在ASAP++上取得任务特定最优及跨任务相当性能，并在少样本场景显著降低标注成本。
2024-05-08 cs.IR
Better Than Their Reputation? On the Reliability of Relevance Assessments with Students
在过去的三年中，我们进行了几个信息检索评价系列与180多名图书情报学的学生谁作出了相关性评估的结果，三个特定的检索服务。在这项研究中，我们不专注于我们的系统的检索性能，但在相关性评估和评估员之间的可靠性。为了量化一致性，我们应用Fleiss的Kappa和Krippendorff的Alpha。当我们比较这两个统计指标时，平均Kappa值为0.37，Alpha值为0.15。我们使用这两个一致性度量来从我们的数据集中删除太不可靠的评估。当计算未过滤和过滤数据集之间的差异时，我们看到均方根误差在0.02和0.12之间。我们认为这是一个明确的指标，不一致影响检索评估的可靠性。我们建议不要使用未经过滤的结果，也不要清楚地记录不一致率。
2012-06-21 cs.IR
From Topical Relevance to Answerability: Entailment Distillation for Conversational Retrieval
University of Electronic Science and Technology of China（电子科技大学）；Southwest University of Finance and Economics（西南财经大学）
针对对话检索中主题相关性与可答性不匹配的问题，提出CLEAR框架，通过蕴含蒸馏与溯因召回模块提升检索性能，在多个数据集上优于基线方法。
2026-09-04 cs.IR
Concept Based vs. Pseudo Relevance Feedback Performance Evaluation for Information Retrieval System
University of Tlemcen（特莱姆森大学）
本文对信息检索系统中的两种查询重构技术，即基于概念的重构和伪相关反馈重构的性能进行了评价。阿拉伯语文本的语料库上进行的实验，使我们能够比较这两个重构技术在提高阿拉伯语文本的信息检索系统的性能的贡献。
2014-03-18 cs.CL cs.IR
Learning Effective Representations for Retrieval Using Self-Distillation with Adaptive Relevance Margins
本文提出一种无参数的自蒸馏损失函数，利用预训练语言模型能力进行隐式难负样本挖掘，无需教师模型和批量采样，仅用13.5%数据即可匹配教师蒸馏效果，训练提速3-15倍。
2025-06-20 cs.IR
Improving Query Representations for Dense Retrieval with Pseudo Relevance Feedback: A Reproducibility Study
伪相关反馈（PRF）利用来自第一轮检索的前k个段落的相关性信号来执行旨在提高搜索效率的第二轮检索。最近的研究方向是研究和开发用于基于深度语言模型的排序器的PRF方法，特别是在密集检索器的上下文中。与更复杂的神经排名器相比，密集检索器提供了有效性与查询延迟之间的权衡，有效性与更复杂的神经排名器相比通常会降低，查询延迟也会降低，从而使检索管道更有效。密集型寻回犬的PRF方法的引入是为了进一步提高其有效性。在本文中，我们复制和研究了最近的方法与密集的检索器，称为ANCE-PRF。该方法将查询文本和前k个反馈通道的文本连接起来以形成新的查询输入，然后使用基于用于第一轮检索的原始密集检索器的新训练的查询编码器将其编码为密集表示。虽然该方法可以潜在地应用于任何现有的密集回收，以前的工作只研究了它的上下文中的ANCE密集回收。我们研究了ANCE-PRF的再现性，在其训练（编码的PRF信号）和推理（排名）步骤。我们进一步扩展了原始工作中提供的实证分析，以研究控制训练过程的超参数的影响以及该方法在这些不同设置中的鲁棒性。最后，我们贡献了一个研究的ANCE-PRF方法的普适性时，密集的检索器以外的其他ANCE用于第一轮的检索和编码的PRF信号。
2023-03-21 cs.IR
Why Large Language Models can Secretly Outperform Embedding Similarity in Information Retrieval
University of Groningen（格罗宁根大学）
本文探讨了大语言模型在信息检索中通过推理超越传统嵌入相似性方法的潜力，并指出当前注释数据集难以准确评估其效果。
2026-03-09 cs.IR
Improving Query Representations for Dense Retrieval with Pseudo Relevance Feedback
Carnegie Mellon University（卡内基梅隆大学）；Microsoft Research（微软研究院）
稠密检索系统使用嵌入式表示和简单的相似性度量来进行第一阶段检索，以将查询与文档相匹配。它的有效性取决于编码嵌入来捕获查询和文档的语义，这是一项具有挑战性的任务，因为搜索查询的简短和模糊。本文提出了ANCE-PRF，一种新的查询编码器，使用伪相关反馈（PRF），以改善查询表示的稠密检索。ANCE-PRF使用一个BERT编码器，该编码器使用查询和来自稠密检索模型ANCE的顶部检索文档，并且它学习直接从相关性标签产生更好的查询嵌入。它还保持文档索引不变，以减少开销。ANCE-PRF在几个数据集上的性能明显优于ANCE和其他最近的稠密检索系统。分析表明，该编码器能够有效地捕获PRF文档中的相关信息和互补信息，同时利用学习到的注意力机制忽略噪声。
2021-08-30 cs.AI cs.IR
