WSDM Cup 2026 Multilingual Retrieval: A Low-Cost Multi-Stage Retrieval Pipeline
Brown University(布朗大学);Fudan University(复旦大学)
本文提出一种低成本多阶段检索流水线,结合LLM查询扩展、BM25检索、长文本表示排序及重排序,实现多语言检索任务的高效检索效果。
2026-02-19 cs.IR
Enhancing Retrieval-Augmented Generation with Two-Stage Retrieval: FlashRank Reranking and Query Expansion
本研究提出双阶段检索框架,结合查询扩展和FlashRank重排序,提升检索增强生成的准确性和效率。
2025-10-17 cs.IR
When Should Queries Be Decomposed? A Stage-Aware Study of Query Decomposition for Multi-Condition Retrieval
Eastern Institute of Technology, Ningbo(宁波东方理工学院);Shanghai Jiao Tong University(上海交通大学);Zhejiang Key Laboratory of Industrial Intelligence and Digital Twin(浙江省工业智能与数字孪生重点实验室)
本文通过阶段感知实验发现,查询分解在初始检索阶段因语义稀释损害性能,但在重排序阶段通过细粒度约束验证显著提升效果,据此提出阶段感知分解框架,在初始检索保留整体查询,仅在重排序使用子查询,在MultiConIR和SSRB基准上一致提升组合查询的排序性能。
2026-08-28 cs.IR
Rethink Training of BERT Rerankers in Multi-Stage Retrieval Pipeline
预训练的深度语言模型~(LM)推进了文本检索的发展。从深度LM微调的重排序器基于丰富的上下文匹配信号来估计候选相关性。同时,深度LM也可以用来改善搜索索引,构建具有更好召回率的检索器。人们会期望两者在管道中的直接组合具有附加的性能增益。在本文中,我们发现,否则,流行的reranker不能充分利用改进的检索结果。因此,我们提出了一个局部对比估计(LCE)的训练rerankers,并证明它显着改善了深两阶段模型。
2021-01-21 cs.IR
Context-Aware Sentence/Passage Term Importance Estimation For First Stage Retrieval
词频是一种用于识别查询或文档中某个词的重要性的常用方法。但这是一个微弱的信号,特别是当频率分布是平坦的时候,比如在长查询或短文档中,文本是句子/句子长度。本文提出了一个深度上下文化术语权重框架,该框架学习将BERT的上下文化文本表示映射到句子和段落的上下文感知术语权重。当应用于段落时,DeepCT-Index产生的术语权重可以存储在普通的倒排索引中,用于段落检索。当应用于查询文本时,DeepCT-Query生成加权词袋查询。这两种类型的术语权重可以直接用于典型的第一阶段检索算法。这是新颖的,因为大多数基于深度神经网络的排名模型具有更高的计算成本,并且因此限于后期排名器。在四个数据集上的实验表明,DeepCT的深度上下文文本理解大大提高了第一阶段检索算法的准确性。
2019-11-26 cs.IR
RAGPart & RAGMask: Retrieval-Stage Defenses Against Corpus Poisoning in Retrieval-Augmented Generation
University of Maryland College Park(马里兰大学帕克分校);Peraton Labs(佩拉顿实验室);Capital One(第一资本)
本文提出RAGPart和RAGMask两种检索阶段防御方法,用于对抗RAG中语料污染攻击,通过文档分区和标记遮蔽技术降低攻击成功率,提升RAG系统的鲁棒性。
2025-12-30 cs.IR
Optimizing the Information Retrieval Trade-off in Data Visualization Using $α$-Divergence
数据可视化是非线性降维的主要应用之一。从信息检索的角度来看,可视化的质量可以通过考虑每个数据点的邻域关系被保持的程度来评估,同时检索到的不相关点的数量被最小化。这个属性可以量化为可视化的平均精确度和平均召回率之间的权衡。虽然已经有一些方法直接将可视化目标制定为精确度和召回率的加权和,但没有系统的方法来确定这两者之间的最佳权衡,也没有对最佳值的明确解释。在本文中,我们调查的$α$ -发散信息可视化的性质,集中我们的注意力在一个特定的范围内的$α$值。我们表明,新的成本函数的最小化对应于最大化的几何平均值之间的精度和召回率,参数化$α$。与一些早期的方法相反,不需要手动调整,但我们可以严格估计给定输入数据的$α$的最佳值。为此,我们提供了一个统计框架,使用一种新的分布称为增强指数发散(EDA)。通过大量的实验,我们表明,$α$的最佳值,由EDA获得对应的精确度和召回率之间的最佳权衡为一个给定的数据分布。
2016-03-29 cs.IR
Text Retrieval with Multi-Stage Re-Ranking Models
提出三阶段重排序模型,结合BM25、语言模型及模型集成或更大语言模型,在MS-MARCO上训练MiniLM,零样本评估,兼顾高准确率与低速度衰减。
2023-11-14 cs.IR
PCap: Personalized Retrieval-Stage Diversity Capping in Facebook Marketplace
Meta
提出PCap框架,在Facebook Marketplace检索阶段引入用户级多样性约束,通过熵评分分桶和自动在线优化参数,显著提升用户参与度。
2026-09-16 cs.IR
Hierarchical Multi-field Representations for Two-Stage E-commerce Retrieval
提出CHARM框架,通过分块三角注意力机制将结构化电商数据编码为层次化字段级表示,支持两阶段检索流水线,在准确性和可解释性上超越基线。
2025-01-30 cs.IR
A Comprehensive Survey on Retrieval Methods in Recommender Systems
Shanghai Jiao Tong University(上海交通大学);China Merchants Bank Credit Card Center(招商银行信用卡中心)
本综述全面探讨了推荐系统中常被忽视的检索阶段,总结了改进相似度计算、增强索引机制和优化训练方法三大关键领域的现有工作,并通过公开数据集基准实验和工业案例研究,为级联推荐系统检索优化提供了基石。
2025-10-11 cs.IR
CAME: Competitively Learning a Mixture-of-Experts Model for First-stage Retrieval
针对现有集成检索模型未适配单一样本匹配模式、无法充分发挥不同模型能力的问题,本文提出带竞争性学习机制的混合专家模型CAME,通过两阶段训练让专家发展专长,在三个基准数据集上显著优于最优基线。
2023-11-06 cs.IR
Improving Access to Trade and Investment Information in Thailand through Intelligent Document Retrieval
本文提出一个结合BM25与深度学习的泰语聊天机器人文档检索系统,通过实验和用户调查验证其能有效帮助泰国企业家获取贸易与投资信息。
2025-03-09 cs.IR cs.SI
A Discriminative Semantic Ranker for Question Retrieval
相似问题检索是社区问答服务的核心任务。为了平衡有效性和效率,问题检索系统通常被实现为多阶段排名器:第一阶段排名器旨在从大型存储库中召回潜在相关的问题,并且后面的阶段尝试对检索到的结果进行重新排名。现有的问题检索研究主要集中在重排序阶段,而第一阶段的排序则采用传统的基于词项的方法。然而,基于术语的方法经常遭受词汇不匹配的问题,特别是在短文本上,这可能会在一开始就阻止重新排序者进行相关的问题。另一种方法是对第一阶段的排名采用基于嵌入的方法,该方法将文本压缩成密集向量以增强语义匹配。然而,这些方法往往失去了基于术语的方法的区分能力,从而在检索过程中引入噪声,损害召回性能。在这项工作中,我们的目标是解决困境的第一阶段排名,并提出了一个歧视性的语义排名,即DenseTrans,高召回检索。具体来说,DenseTrans是一个密集连接的Transformer,它基于Transformer层学习文本的语义嵌入。同时,DenseTrans通过密集连接提升低级特征,以保持学习表征的区分能力。DenseTrans的灵感来自于计算机视觉(CV)中的DenseNet,但提出了一种新的方式来使用密集连接,这与其最初的设计目的完全不同。在两个问题检索基准数据集上的实验结果表明,我们的模型可以获得显着的收益,对强大的基于术语的方法,以及最先进的基于嵌入的方法的召回。
2021-07-18 cs.IR
Beyond Precision: A Study on Recall of Initial Retrieval with Neural Representations
词汇不匹配是信息检索中的一个核心问题,相关文档可能不包含查询的相同(符号)项。最近,神经表征在捕捉语义相关性方面取得了巨大的成功,从而为缓解IR中的词汇不匹配问题提供了新的可能性。然而,在这个方向上,大多数现有的努力都致力于重新排名阶段。也就是说,利用神经表示来帮助对一组候选文档进行重新排名,这些候选文档通常是基于某种符号索引和搜索方案(例如,在倒排索引上的BM 25)。这自然会产生一个问题:如果在最初的检索阶段由于词汇不匹配而没有找到相关的文档,那么以后就没有机会将它们重新排列到顶部位置。因此,在本文中,我们研究的问题,如何利用神经表征,以提高召回的相关文件在初始检索阶段。具体来说,为了满足初始阶段的效率要求,我们引入了神经索引的神经表示的文件,并提出了两个混合搜索计划的基础上神经和符号索引,即并行搜索计划和顺序搜索计划。我们的实验表明,混合索引和搜索方案可以提高召回的初始检索阶段的开销很小。
2018-07-22 cs.IR
Two-Stage Document Length Normalization for Information Retrieval
词频规范化的标准方法仅基于文档长度。然而,它并没有区分冗长和范围,这是决定文件长度的两个主要因素。由于冗长和范围对词频的增加有很大不同的影响,标准方法很容易受到不足或过度惩罚,这取决于长文档的具体类型。为了克服这些问题,本文提出了两个阶段的规范化分别执行冗长和范围规范化,并采用不同的惩罚函数。在冗长度规范化中,通过将术语频率除以文档的冗长度来预规范化每个文档。在范围规范化中,现有的检索模型以直接的方式应用于预规范化的文档,最后导致我们制定我们提出的冗长规范化(VN)检索模型。标准TREC集合上进行的实验结果表明,VN模型导致边际,但统计上显着的改进,标准的检索模型。
2015-02-15 cs.IR
TOME: A Two-stage Approach for Model-based Retrieval
针对基于模型的检索中预训练与微调、训练与推理的差异问题,提出两阶段方法 TOME,利用分词 URL 作为标识符并设计两阶段生成架构及训练策略,在 MS MARCO 和 Natural Questions 上验证了有效性并研究了缩放规律。
2023-05-18 cs.IR
Fine-Tuning LLaMA for Multi-Stage Text Retrieval
本研究将LLaMA微调为密集检索器RepLLaMA和重排序器RankLLaMA,在MS MARCO上验证其超越小模型,并能整体表示长文档,在BEIR上展现强零样本性能。
2023-10-12 cs.IR
Killing Two Birds with One Stone: Unifying Retrieval and Ranking with a Single Generative Recommendation Model
本文提出统一生成式推荐框架UniGRF,将检索与排序集成于单一生成模型,通过排序驱动增强和自适应加权实现同步优化,显著提升基准数据集上的推荐性能。
2025-04-23 cs.IR
Retrieval-efficiency trade-off of Unsupervised Keyword Extraction
本文提出一种无监督关键词提取方法,通过顺序合并文档部分并利用个性化PageRank,在保持最先进检索性能的同时,速度比现有方法快两个数量级,并能在不到一分钟内处理1400万篇文档。
2022-08-15 cs.IR
FairSync: Ensuring Amortized Group Exposure in Distributed Recommendation Retrieval
本文提出FairSync模型,通过将分布式检索中的组公平性问题转化为受约束的分布式优化问题,在对偶空间中利用中心节点聚合历史公平性数据并周期性更新参数,有效确保了摊还组曝光并维持了高检索准确性。
2024-02-16 cs.IR
The Structure-Content Trade-off in Knowledge Graph Retrieval
Université Paris-Saclay - CEA Palaiseau - France(巴黎-萨克雷大学-CEA帕莱索-法国)
本文研究了知识图谱检索中结构与内容的权衡,通过混合检索函数发现平衡两者可提升LLM的推理效果。
2025-11-26 cs.CL cs.IR cs.LG
HLATR: Enhance Multi-stage Text Retrieval with Hybrid List Aware Transformer Reranking
Alibaba Group(阿里巴巴集团)
深度预训练的语言模型(例如,BERT)在大规模文本检索任务中是有效的。由于预先训练的语言模型计算量大和语料库规模大,现有的文本检索系统通常采用先检索后重新排序的结构。在这种多级架构下,以往的研究主要集中在优化框架的单级,从而提高整体检索性能。然而,如何直接耦合多阶段的功能优化还没有得到很好的研究。在本文中,我们设计了混合列表感知Transformer重排序(HLATR)作为后续的重排序模块,将检索和重排序阶段的功能。HLATR是轻量级的,可以很容易地与现有的文本检索系统并行化,使重排序过程可以在一个单一的,但有效的处理。在两个大规模文本检索数据集上的实验表明,HLATR能够有效地提高现有多阶段文本检索方法的排序性能。
2022-05-21 cs.CL cs.IR
Efficiency-Effectiveness Tradeoff of Probabilistic Structured Queries for Cross-Language Information Retrieval
本研究重新审视跨语言信息检索方法PSQ,引入高效Python实现,通过多标准剪枝优化翻译概率,在多个CLIR测试集上实现了帕累托最优的效率-效果权衡。
2024-04-29 cs.IR
Multivector Reranking in the Era of Strong First-Stage Retrievers
ISTI-CNR(ISTC-国家研究委员会);University of Pisa(比萨大学)
本文提出了一种两阶段检索方法,通过替换token级收集阶段为单向量文档检索器,显著提升了检索效率,同时保持了高质量的检索效果。
2026-01-16 cs.IR
Reverse-Engineering the Retrieval Process in GenIR Models
本文通过机制可解释性方法逆向分析GenIR模型的内部检索过程,揭示解码器主导检索且其处理可分为启动、桥接和交互三个阶段,其中查询与文档交互仅发生在最后阶段。
2025-04-08 cs.IR
QUST_NLP at SemEval-2025 Task 7: A Three-Stage Retrieval Framework for Monolingual and Crosslingual Fact-Checked Claim Retrieval
College of Information Science and Technology(信息科学与技术学院);College of Data Science(数据科学学院);Qingdao University of Science and Technology(青岛科技大学)
本文提出一个三阶段检索框架用于事实核查声明检索,通过模型选择、多重排序和加权投票,在SemEval-2025任务7中分别获得单语和跨语言赛道的第5和第7名。
2025-06-12 cs.AI cs.IR
LongRetriever: Towards Ultra-Long Sequence based Candidate Retrieval for Recommendation
针对推荐系统候选检索阶段超长期序列利用不足的问题,提出LongRetriever框架,通过上下文内训练和多上下文检索实现候选特异性交互与训练-服务一致性,经大型电商平台A/B测试验证有效并已部署。
2025-08-25 cs.IR
L^2R: Lifelong Learning for First-stage Retrieval with Backward-Compatible Representations
针对第一阶段检索中静态模型难适配无标注新数据、索引更新成本高的问题,提出带记忆机制、多样负样本选择和排序对齐目标的L^2R终身学习方法,在新基准上性能优于现有基线。
2023-08-22 cs.IR
DS@GT at LongEval: Evaluating Temporal Performance in Web Search Systems and Topics with Two-Stage Retrieval
DS@GT团队在CLEF 2025 LongEval中,基于Qwant数据集采用查询扩展与文档重排序的两阶段稀疏检索系统,评估并缓解Web内容演变导致的IR模型性能下降问题,最佳系统平均NDCG@10达0.296。
2025-07-11 cs.IR
Hybrid Retrieval and Multi-stage Text Ranking Solution at TREC 2022 Deep Learning Track
Alibaba Group(阿里巴巴集团(Alibaba Group))
针对TREC 2022深度学习赛道任务,提出融合稀疏与稠密检索的混合检索方案,搭配全交互排序模型加轻量子排序模块的多阶段排序方法,在段落、文档排序测试集上分获第1、第4名。
2023-08-23 cs.CL cs.IR
Efficient and Effective Tail Latency Minimization in Multi-Stage Retrieval Systems
RMIT University(皇家墨尔本理工大学);University of Waterloo(滑铁卢大学)
本文提出了一种统一框架,用于预测性能敏感参数以减少效果损失并最小化查询延迟,适用于多阶段检索架构的所有阶段,同时能适应不同效率-效果权衡,有效缓解尾延迟问题。
2017-04-20 cs.IR
Early Stage Sparse Retrieval with Entity Linking
尽管他们的低资源设置的优势,传统的稀疏检索依赖于精确的匹配方法之间的高维词袋(BoW)表示的查询和收集。因此,检索性能受到语义差异和词汇空缺的限制。另一方面,基于transformer的密集检索器通过利用语料库的低维上下文化表示来显著改进信息检索任务。虽然密集检索器以其相对有效性而闻名,但与稀疏检索器相比,它们的效率较低且缺乏泛化问题。对于轻量级检索任务,高计算资源和时间消耗是鼓励放弃密集模型的主要障碍,尽管有潜在的收益。在这项工作中,我们建议通过扩展查询和具有两种格式的实体名称的链接实体的文档来提高稀疏检索器的性能:1)显式和2)散列。我们采用了一个zero-shot的端到端密集实体链接系统的实体识别和消歧,以增加语料库。通过利用先进的实体链接方法,我们相信稀疏和密集检索器之间的有效性差距可以缩小。我们在MS MARCO通道数据集上进行实验。由于我们关注的是大型信息检索系统的级联排名架构中的早期检索,我们使用recall@1000来评估我们的结果。我们的方法也能够检索文件的查询子集判断是特别困难的,在以前的工作。我们进一步证明了非扩展和扩展运行与显式和散列实体检索互补的结果。因此,我们采用了运行融合的方法,以最大限度地提高实体链接的好处。
2022-08-10 cs.IR
Single-Turn LLM Reformulation Powered Multi-Stage Hybrid Re-Ranking for Tip-of-the-Tongue Known-Item Retrieval
Missouri University of Science and Technology(密苏里科技大学)
利用单次LLM改写提升多阶段混合重排序,有效提高ToT检索的召回率和排序指标
2026-02-10 cs.IR
Pre-trained Language Model for Web-scale Retrieval in Baidu Search
检索是网络搜索中的一个关键阶段,它从十亿规模的语料库中识别出一小部分与查询相关的候选者。在检索阶段发现更多的语义相关的候选是非常有希望向最终用户展示更多的高质量的结果。然而,在实际的搜索引擎中,如何建立和部署有效的语义匹配检索模型仍然是一个不容忽视的挑战。在本文中,我们描述了检索系统,我们开发和部署在百度搜索。该系统利用了最新的国家的最先进的中文预训练的语言模型,即增强表示通过知识整合(ERNIE),这有利于系统的表达语义匹配。特别是,我们开发了一个基于ERNIE的检索模型,该模型配备了1)基于表达性转换器的语义编码器,以及2)全面的多阶段训练范式。更重要的是,我们提出了一个实用的系统工作流程部署模型在网络规模的检索。最终,该系统完全部署到生产环境中,并进行了严格的离线和在线实验。实验结果表明,该系统能够进行高质量的候选检索,特别是对于那些不常见的需求尾查询。总的来说,由预训练的语言模型(即,ERNIE)可以在很大程度上提高我们的搜索引擎的可用性和适用性。
2021-10-16 cs.IR
Mixed-initiative Query Rewriting in Conversational Passage Retrieval
本文提出混合主动查询重写模块,通过生成歧义问题并融合用户反馈来替代神经重写,结合 BM25、TCT-ColBERT、MonoT5 和 DuoT5 多阶段检索,在 TREC CAsT 数据集上验证了其优于 CANARD-T5 和 HQE 的检索性能。
2024-10-17 cs.IR
On Approximate Nearest Neighbour Selection for Multi-Stage Dense Retrieval
稠密检索,它描述了使用上下文的语言模型,如BERT,以识别文件的集合,通过利用近似最近邻(ANN)技术,已经越来越受欢迎。根据文档和查询是由单个还是多个嵌入表示,出现了两种方法。ColBERT是后者的典范,它使用ANN索引和近似分数来为每个查询嵌入识别一组候选文档,然后使用准确的文档表示对其进行重新排名。以这种方式,对于每个查询可以检索大量文档,这阻碍了该方法的效率。在这项工作中,我们研究使用人工神经网络的分数排名的候选文件,以减少被充分评分的候选文件的数量。在MSMARCO段落排名语料库上进行的实验表明,通过使用近似分数将候选集切割为仅200个文档,我们仍然可以获得有效的排名,而在有效性上没有统计上的显著差异,并导致效率提高2倍。
2021-08-25 cs.IR
CoSPLADE: Contextualizing SPLADE for Conversational Information Retrieval
本文提出CoSPLADE,利用CANARD数据集以轻量级学习方式训练基于SPLADE的第一阶段对话检索排序器,并结合T5Mono第二阶段排序器,在TREC CAsT 2020和2021上取得有竞争力的效果。
2024-07-04 cs.IR
DIVER: A Multi-Stage Approach for Reasoning-intensive Information Retrieval
Ant Group(蚂蚁集团);Sun Yat-sen University(中山大学)
DIVER通过多阶段流程提升推理密集型信息检索性能,包含文档预处理、查询扩展、检索和重排序四个环节,有效应对需要抽象推理和多步推理的复杂查询。
2026-04-02 cs.AI cs.IR
Assessing Efficiency-Effectiveness Tradeoffs in Multi-Stage Retrieval Systems Without Using Relevance Judgments
大规模的检索系统通常是作为一个级联序列的阶段实现的-第一个过滤步骤,其中一个大的候选文件集是使用一个简单的技术,如布尔匹配和/或静态文档评分提取;然后一个或多个排名步骤,其中过滤器检索的文档池更精确地使用几十个或几百个不同的功能。然后,返回给用户的文档从最终排名列表的头部开始。在这里,我们将研究用于测量过滤和初步排名阶段的质量的方法,并展示如何使用这些测量来调整系统的整体性能。用于整体系统评估的标准的最高加权度量不适合评估过滤阶段,因为输出是一组文档,而不是有序的文档序列。相反,我们使用一种方法,在这种方法中,质量分数是根据过滤和完整评估之间的差异计算的。与以前的方法不同,我们的方法不需要相关性判断,因此几乎可以用于任何查询集。我们表明,这种质量分数直接相关的实际差异时,测量的有效性的相关性判断。由于质量分数不需要相关性判断,因此它可以用于识别对于给定过滤器表现特别差的查询。使用这些方法,我们探索了广泛的过滤选项,使用数以千计的查询,分类不同方法的相对优点,并确定有用的参数组合。
2015-06-02 cs.IR
GRIT: Graph-based Recall Improvement for Task-oriented E-commerce Queries
本文提出GRIT方法,通过构建商品相似度图并利用邻居节点的语境与动作相关性来改进任务型电商查询的第一阶段召回,在多种检索方法上最高提升6.3%召回率。
2025-02-16 cs.IR
ScalingNote: Scaling up Retrievers with Large Language Models for Real-World Dense Retrieval
ScalingNote提出两阶段方法,先用同一LLM初始化双塔释放稠密检索潜力,再仅蒸馏查询塔以控制在线延迟,在工业场景中验证了LLM稠密检索的扩展定律并提升检索相关性。
2024-11-24 cs.IR
Negation is Not Semantic: Diagnosing Dense Retrieval Failure Modes for Trade-offs in Contradiction-Aware Biomedical QA
GE HealthCare(通用电气医疗)
本文研究了密集检索在矛盾意识生物医学问答中的失败模式,提出解耦词法架构和叙事感知重排序方法,提升矛盾检测和引用覆盖能力,实现高精度和可扩展性。
2026-03-18 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
Quam: Adaptive Retrieval through Query Affinity Modelling
本文提出 Quam 查询亲和度模型,利用相关性感知文档相似度图增强自适应检索,在低重排序预算下显著提升召回率,并可作为通用模块嵌入现有方法。
2024-10-26 cs.IR
A Comprehensive Empirical Evaluation of Vector Database Systems for Approximate Nearest Neighbor Search: Performance, Quality, and Resource Trade-offs
University of Kelaniya(凯拉尼亚大学)
本文对7款主流向量数据库系统开展综合实证评估,测量多维度指标,推导系统选择指南并发布开源基准框架,为AI应用选型提供依据。
2026-08-14 cs.IR
Cost-Aware Query Routing in RAG: Empirical Analysis of Retrieval Depth Tradeoffs
提出CA-RAG框架,通过为每个查询选择最优的检索深度和生成配置组合,在保证答案质量的同时减少令牌成本和延迟。
2026-03-26 cs.AI cs.IR
SUNAR: Semantic Uncertainty based Neighborhood Aware Retrieval for Complex QA
针对复杂问答系统第一阶段检索的有限召回问题,提出利用大语言模型引导的邻域感知检索方法SUNAR,通过迭代探索文档邻域图并结合中间答案的不确定性动态调整文档权重,在两个数据集上较现有最优方法最高提升31.84%的性能。
2025-03-23 cs.IR
HYRR: Hybrid Infused Reranking for Passage Retrieval
Google Research(谷歌研究院)
我们提出了混合注入重排序的段落检索(HYRR),一个框架,用于训练重排序的基础上的混合BM 25和神经检索模型。基于混合模型的检索器已被证明优于单独的BM 25和神经模型。我们的方法在训练重排序器时利用了这种改进的性能,从而产生了一个强大的重排序模型。的reranker,交叉注意神经模型,被证明是强大的不同的第一阶段检索系统,实现更好的性能比rerankers简单地训练后的第一阶段检索在多阶段系统。我们目前的评估监督通过检索任务使用MS MARCO和zero-shot检索任务使用BEIR。实证结果表明,这两个评价表现强劲。
2022-12-20 cs.CL cs.IR
Retrieval Augmented Conversational Recommendation with Reinforcement Learning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Google DeepMind(谷歌DeepMind);UC San Diego(加州大学圣地亚哥分校)
本文提出RAR框架,通过动态结合检索与生成提升推荐性能与事实性,构建大规模电影语料库并引入强化学习方法优化候选集。
2026-04-13 cs.IR
Bidding-Aware Retrieval for Multi-Stage Consistency in Online Advertising
Taobao \& Tmall Group of Alibaba Beijing China;Taobao \& Tmall Group of Alibaba
针对在线广告系统检索与排序阶段的竞价不一致问题,提出BAR框架,经阿里平台验证可提升收入4.32%、正向广告展示量22.2%
2026-08-25 cs.IR cs.LG
Dynamic Information Retrieval: Theoretical Framework and Application
像概率排序原则和它最近的交互式信息检索变体的理论框架已经指导了几十年的排名和检索算法的发展,但它们不能帮助我们在动态信息检索中建模问题,这些问题表现出以下三个属性:可观察的用户信号,多阶段检索和整体搜索意图。本文提出了一个新的理论框架,在这些情况下检索。我们推导出一个通用的动态效用函数优化这些类型的任务,考虑到每个阶段的效用和观察用户反馈的概率。我们将我们的框架应用于TREC数据在动态多页搜索场景中的实验,以实际证明其有效性,并讨论其使用,其局限性,并将其与现有框架进行比较。
2016-01-18 cs.IR
QUILL: Query Intent with Large Language Models using Retrieval Augmentation and Multi-stage Distillation
Google Research(谷歌研究院);Google(谷歌)
大语言模型(LLM)在各种文本理解任务上显示出令人印象深刻的结果。然而,搜索查询却构成了一个独特的挑战,因为它们的长度很短,缺乏细微差别或上下文。复杂的特征工程工作并不总是导致下游的改进,因为它们的性能优势可能会被知识蒸馏的复杂性增加所抵消。因此,在本文中,我们做出了以下贡献:(1)我们证明了检索增强查询提供LLM有价值的额外的上下文,从而提高理解。虽然检索增强通常会增加LM的延迟(从而损害蒸馏效率),(2)我们提供了一种实用且有效的蒸馏检索增强LLM的方法。具体来说,我们使用了一种新的两阶段蒸馏方法,使我们能够进行检索增强的收益,而不会遭受通常与之相关的计算增加。(3)我们证明了所提出的方法(QUILL)的好处在十亿规模,现实世界的查询理解系统,从而产生巨大的收益。通过广泛的实验,包括公共基准测试,我们相信这项工作提供了一个实用的检索增强查询理解的配方。
2022-10-27 cs.CL cs.IR
IITD-DBAI: Multi-Stage Retrieval with Pseudo-Relevance Feedback and Query Reformulation
Indian Institute of Technology, Delhi(印度理工学院德里分校)
解决语境依赖是会话系统中最具挑战性的任务之一。我们向CAsT-2021提交的申请旨在保留所有后续轮次中的关键术语和上下文,并使用经典的信息检索方法。其目的是从语料库中提取尽可能相关的文件。我们参加了自动跟踪,并在CAST-2021中提交了两次运行。我们提交的数据显示,NDCG@3的平均性能优于中位数模型。
2022-03-31 cs.AI cs.CY cs.IR