ReFormeR: Learning and Applying Explicit Query Reformulation Patterns
University of Waterloo（滑铁卢大学）；University of Toronto（多伦多大学）；University of California, Berkeley（加州大学伯克利分校）
ReFormeR通过提取并整合查询改写模式，引导LLM进行受控的改写操作，提升检索效果。
2026-04-01 cs.CL cs.IR
When More Reformulations Hurt: Avoiding Drift using Ranker Feedback
Stockholm University（斯德哥尔摩大学）；L3S Research Center（L3S研究中心）；Delft University of Technology（代尔夫特理工大学）
本文提出ReformIR框架，通过预算感知的检索方法，在有限计算下优化改写查询的召回率并抑制漂移，实验表明其在MSMARCO和TREC DL基准上优于现有方法。
2026-05-01 cs.IR
A Simple but Effective Elaborative Query Reformulation Approach for Natural Language Recommendation
University of Toronto（多伦多大学）
本文提出EQR，一种结合广度与深度的大语言模型查询重构方法，通过生成信息丰富的子主题阐述，显著提升自然语言推荐系统对广泛和间接用户意图查询的检索效果。
2025-10-26 cs.IR
Route Me If You Can: A Benchmark for Query Reformulation Selection
Toronto Metropolitan University（多伦多都会大学）；University of California, Berkeley（加州大学伯克利分校）；University of Waterloo（滑铁卢大学）；Mila - Quebec AI Institute（魁北克人工智能研究所）；University of Toronto（多伦多大学）
该论文提出QueryRoute基准，用于评估查询改写选择问题，包含3,757个查询和619,905个检索结果，发现现有选择器仅部分恢复oracle提升空间，且排名随检索器变化。
2026-09-15 cs.IR
Query Expansion and Entity Weighting for Query Reformulation Retrieval in Voice Assistant Systems
Amazon Alexa AI（亚马逊Alexa人工智能部门）
Alexa、Siri和Google Assistant等语音助手在全球范围内越来越受欢迎。然而，语言变化、语音模式的可变性、环境声学条件和其他这样的因素通常与助理误解用户的查询相关。为了提供更好的客户体验，基于检索的查询重构（QR）系统被广泛用于重构那些被误解的用户查询。目前的QR系统通常专注于神经检索模型训练或直接实体检索以进行重构。然而，这些方法很少同时关注查询扩展和实体加权，这可能限制查询重构检索的范围和准确性。在这项工作中，我们提出了一种新的查询扩展和实体加权方法（QEEW），它利用实体目录中的实体（包括用户的查询，助理的响应，和相应的实体）之间的关系，以提高查询重构性能。在Alexa注释数据上的实验表明，与不使用查询扩展和加权的基线相比，QEEW提高了所有顶级精度指标，特别是top10精度提高了6%;与使用查询扩展和加权的其他基线相比，top10精度提高了5%以上。
2022-02-22 cs.AI cs.IR
PRESY: A Context Based Query Reformulation Tool for Information Retrieval on the Web
问题陈述：网络上的海量信息以及新用户的不断增长给信息检索带来了新的挑战。这些用户越来越难以找到满足其个人需要的相关文件。当然，目前的搜索引擎（如谷歌，必应和雅虎）提供了一个有效的方式来浏览网页内容。然而，结果质量高度依赖于使用查询，这些查询需要更精确地找到相关文档。对于大多数不熟练的用户来说，这项任务仍然很复杂，他们无法在查询中用重要的词来表达自己的需求。因此，我们认为，重新制定的初始用户的查询可以是一个很好的替代方案，以提高信息的选择性。本研究提出一种新的方法，并提出了一个原型系统称为PRESY（Profile-based REformulation SYSTEM）的信息检索在Web上。方法：它使用增量方法通过构建上下文基础来对用户进行分类。后者是由两种类型的上下文（静态和动态）使用用户的配置文件获得。提出的架构实现使用.NET环境进行查询重构测试。结果：实验结果表明，该方法有效地提高了返回内容的精度。这些测试是用最流行的搜索引擎（即谷歌，绑定和雅虎）进行的，特别是因为它们的高选择性。在给定的结果中，我们发现查询重构提高了前三个结果的10.7%和11.7%的下七个返回的元素。因此，我们可以看到，用户初始查询的重新表达提高了返回内容的相关性。
2011-06-12 cs.IR
QueryGym: A Toolkit for Reproducible LLM-Based Query Reformulation
University of Waterloo（滑铁卢大学）；Mila – Quebec AI Institute（魁北克人工智能研究所）；University of Toronto（多伦多大学）；University of California, Berkeley（加州大学伯克利分校）
QueryGym是一个用于可重复LLM查询重述的开源工具包，提供统一框架和多种集成支持，促进方法比较与基准测试。
2025-11-20 cs.CL cs.IR
Patterns of gender-specializing query reformulation
本研究基于Bing大规模搜索日志，对添加性别属性的查询重构模式开展观察性研究，分析其成因、背景与影响，发现此类重构的普遍性和性别偏向因主题而异，单一因素无法充分解释，可为搜索结果的性别代表性研究提供新视角。
2023-04-25 cs.HC cs.IR
Towards Scalability and Extensibility of Query Reformulation Modeling in E-commerce Search
本文针对低流量、多语言及训练数据有限的电商搜索场景，提出可扩展的查询改写建模方案，并通过搜索排序与 Ads 匹配的在线 A/B 测试验证其收入提升效果。
2024-10-02 cs.IR
ReBOL: Retrieval via Bayesian Optimization with Batched LLM Relevance Observations and Query Reformulation
University of Toronto（多伦多大学）
ReBOL通过引入多模态贝叶斯优化和查询重述技术，改进检索阶段的召回率和排名质量，优于现有LLM重排序基线。
2026-03-20 cs.AI cs.IR
Generative Query Reformulation Using Ensemble Prompting, Document Fusion, and Relevance Feedback
Department of Computer Science（计算机科学系）；Emory University（埃默里大学）
本文提出基于集成提示的查询重构方法GenQREnsemble和GenQRFusion，利用释义生成多组关键词并整合相关反馈，在多个基准上将检索效果提升最多18%，超越了现有最先进结果。
2024-05-27 cs.CL cs.IR
AdaCQR: Enhancing Query Reformulation for Conversational Search via Sparse and Dense Retrieval Alignment
Southeast University（东南大学）
AdaCQR通过同时对齐稀疏与稠密检索系统并采用两阶段训练策略，提升了对话式查询改写的泛化能力、效率和鲁棒性，在TopiOCQA和QReCC上优于现有方法。
2025-01-03 cs.CL cs.IR
Automated Query Reformulation for Efficient Search based on Query Logs From Stack Overflow
Nanjing University（南京大学）；Monash University（莫纳什大学）；University of Adelaide（阿德莱德大学）；Nantong University（南通大学）
作为一个流行的编程问答网站，Stack Overflow是开发者的宝藏。然而，Stack Overflow上的大量问题和答案使得开发人员很难有效地找到他们正在寻找的信息。有两个差距导致搜索结果不佳：用户的意图和文本查询之间的差距，以及查询和帖子内容之间的语义差距。因此，开发人员必须不断地重新制定他们的查询，纠正拼写错误的单词，增加限制某些程序设计语言或平台等查询重新制定是繁琐的开发人员，特别是新手，我们提出了一个自动化的软件特定的查询重新制定方法的基础上深度学习。利用Stack Overflow提供的查询日志，我们构建了一个大规模的查询重构语料库，包括原始查询和相应的重构查询。我们的方法训练了一个Transformer模型，当给定用户的原始查询时，该模型可以自动生成候选重构查询。评估结果表明，我们的方法优于五个国家的最先进的基线，并实现了5.6%至33.5%的提升方面的$\mathit{ExactMatch}$和4.8%至14.4%的提升方面的$\mathit{GLEU}$。
2021-02-10 cs.AI cs.IR cs.SE
Using Image Captions and Multitask Learning for Recommending Query Reformulations
Adobe Research（奥多比研究院）；IBM Research（国际商业机器公司研究院）；Adobe Inc.（奥多比公司）；Indian Institute of Technology Delhi（德里印度理工学院）；Carnegie Mellon University（卡内基梅隆大学）
交互式搜索会话通常包含多个查询，其中用户提交先前查询的重构版本以响应原始结果。我们的目标是提高商业图像搜索引擎的查询推荐体验。我们提出的方法结合了当前最先进的做法，从相关文献-使用基于生成的序列到序列模型，捕获会话上下文，和多任务架构，同时优化结果的排名。我们扩展了这种设置，通过使用点击图像的标题作为目标来驱动这种模型的学习，而不是使用会话中的后续查询。由于这些标题往往在语言上更丰富，因此可以将重构机制视为有助于构建更具描述性的查询。此外，通过使用成对损失的二级排名任务，我们表明，所产生的重新更多样化。
2020-03-02 cs.AI cs.IR
Intent-Aware Neural Query Reformulation for Behavior-Aligned Product Search
eBay Inc（eBay公司）
本研究针对电商搜索查询改写的意图建模难题，提出挖掘买家日志细粒度意图信号的数据流水线，构建意图感知改写框架，实证显示其在多品类中提升了检索相关性与用户参与度。
2025-07-29 cs.IR cs.LG
A Reproducibility Study of LLM-Based Query Reformulation
University of Waterloo（滑铁卢大学）；Mila – Quebec AI Institute（魁北克AI研究所）；Toronto Metropolitan University（多伦多 Metropolitan 大学）；University of Toronto（多伦多大学）；University of California, Berkeley（加州大学伯克利分校）
本文在统一框架下系统评估了十种代表性大语言模型查询改写方法，发现检索范式对改写效果有显著影响，且大模型并不总能提升下游性能。
2026-04-30 cs.CL cs.IR
ConvGQR: Generative Query Reformulation for Conversational Search
University of Montreal（蒙特利尔大学）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Institute for AI Industry Research, Tsinghua University（清华大学人工智能产业研究院）
针对对话式搜索中查询重构受人工改写限制的问题，提出融合查询改写与潜在答案生成、搭配知识注入机制的ConvGQR框架，经多数据集验证可有效提升检索效果。
2024-01-27 cs.CL cs.IR
LoL: A Comparative Regularization Loss over Query Reformulation Losses for Pseudo-Relevance Feedback
Institute of Computing Technology, CAS（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Institute for AI Industry Research, Tsinghua University（清华大学人工智能产业研究院）
伪相关反馈（PRF）是一种有效的查询重组技术，以提高检索的准确性。它的目的是减轻查询和其潜在的相关文档之间的语言表达式的不匹配。现有的PRF方法独立地处理源自同一查询但使用不同数量的反馈文档的修订查询，导致严重的查询漂移。在不比较来自同一查询的两个不同修订的效果的情况下，PRF模型可能不正确地集中在更多反馈中增加的附加不相关信息上，并且因此重新制定比使用较少反馈的修订更不有效的查询。理想情况下，如果一个PRF模型可以区分反馈中的无关信息和相关信息，那么反馈文档越多，修改后的查询就越好。为了弥补这一差距，我们提出了损失的损失（LOL）框架来比较训练过程中同一查询的不同版本之间的重构损失。具体地说，我们修改了一个原始查询多次并行使用不同数量的反馈和计算其重构损失。然后，我们在这些重构损失上引入额外的正则化损失，以惩罚使用更多反馈但获得更大损失的修订。通过这种比较正则化，期望PRF模型通过比较不同修订查询的效果来学习抑制额外增加的无关信息。此外，我们提出了一个微分查询重构方法来实现这个框架。该方法在向量空间中对查询进行修正，直接优化查询向量的检索性能，适用于稀疏和稠密检索模型。实验结果表明，该方法对两种典型的稀疏和稠密检索检索模型的有效性和鲁棒性。
2022-04-25 cs.CL cs.IR cs.LG
Elaborative Subtopic Query Reformulation for Broad and Indirect Queries in Travel Destination Recommendation
University of Toronto（多伦多大学）
针对宽泛、间接旅行查询的意图理解难题，提出兼顾广度与深度的大语言模型查询重构方法 EQR，并发布 TravelDest 数据集，显著提升召回率与精确率。
2024-10-02 cs.AI 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
On the Equilibrium of Query Reformulation and Document Retrieval
在本文中，我们联合研究查询重构和文档相关性估计，信息检索（IR）的两个基本方面。它们的交互被建模为一个两人策略博弈：一个参与者，查询制定者，采取行动产生最优查询，期望最大化自己的效用相对于另一个参与者，检索建模者产生的文档的相关性估计;同时，检索建模器，采取行动以产生文档相关性分数，需要根据训练数据相对于由查询公式器产生的细化查询来优化其似然性。当两者都是对方的最佳对策时，它们的均衡将达到。我们推导出我们的平衡理论的IR使用正常形式表示：当一个标准的相关反馈算法与检索模型相结合，他们将共享相同的目标函数，从而形成一个伙伴关系的游戏;相比之下，伪相关反馈追求一个相当不同的目标比检索模型，因此它们之间的相互作用将导致一个通和游戏（虽然隐含的合作）。我们的博弈理论分析不仅产生有用的洞察到IR的两个主要方面，但也提供了新的实用算法，实现检索的平衡状态已被证明带来一致的性能改进，在文本检索和项目推荐。
2018-07-20 cs.GT cs.IR
GenCRF: Generative Clustering and Reformulation Framework for Enhanced Intent-Driven Information Retrieval
Peking University（北京大学）；Wilfrid Laurier University（威尔弗里德劳里埃大学）
针对现有大语言模型查询重构方法存在的扩展有限、冗余问题，本文提出GenCRF生成式聚类与重构框架，通过生成差异化查询聚类捕捉多样意图，结合加权聚合与QERM反馈优化，在BEIR基准上nDCG@10最高提升12%，达到SOTA。
2024-09-17 cs.AI cs.CL cs.IR
GenQREnsemble: Zero-Shot LLM Ensemble Prompting for Generative Query Reformulation
Emory University（埃默里大学）
本文提出 GenQREnsemble 零样本 LLM 集成提示方法及融合伪相关反馈的 GenQREnsembleRF，通过多指令释义生成关键词，显著提升查询重构与检索性能。
2024-04-04 cs.AI cs.CL cs.IR
Contextualized Query Embeddings for Conversational Search
本文描述了一个紧凑和有效的模型，低延迟通道检索会话搜索的基础上学习密集表示。在我们的工作之前，国家的最先进的方法使用一个多阶段的管道，包括会话查询重构和信息检索模块。尽管它的有效性，这样的管道通常包括多个神经模型，需要很长的推理时间。此外，独立优化每个模块会忽略它们之间的依赖关系。为了解决这些缺点，我们建议将会话查询重构直接集成到一个稠密检索模型中。为了帮助实现这一目标，我们创建了一个带有伪相关标签的数据集，用于会话搜索，以克服训练数据的缺乏，并探索不同的训练策略。我们证明，我们的模型有效地重写会话查询密集表示在会话搜索和开放域问答数据集。最后，在观察到我们的模型学会调整查询令牌嵌入的$L_2$规范后，我们利用此属性进行混合检索并支持错误分析。
2021-11-26 cs.IR
One Hierarchy, Two Systems: Semantic Product IDs for Discovery-Surface Ranking and Search-Page Query Reformulation
DoorDash Inc.（多 Dash 公司）
本研究提出单一语义产品层级\textit{\texttt{sid}}，分别用于电商发现面排序与搜索页查询改写，经离线及在线实验验证，可提升排序相关性、加购参与度及查询意图保留等性能。
2026-08-24 cs.AI cs.IR
ConvSearch-R1: Enhancing Query Reformulation for Conversational Search with Reasoning via Reinforcement Learning
Fudan University（复旦大学）；ByteDance Inc（字节跳动公司）；University of New South Wales（新南威尔士大学）
提出ConvSearch-R1框架，通过强化学习两阶段方法消除外部监督依赖，利用检索信号优化会话查询重构，在TopiOCQA数据集上实现超10%提升。
2025-09-14 cs.CL cs.IR
CFDA & CLIP at TREC iKAT 2025: Enhancing Personalized Conversational Search via Query Reformulation and Rank Fusion
National Chengchi University（国立成功大学）
本文针对 TREC iKAT 2025 的交互式与离线任务，提出基于查询改写、Best-of-N 选择和 RRF 排序融合的检索流水线，在提升鲁棒性的同时揭示了效果与效率的权衡。
2025-09-19 cs.AI cs.IR
ZeQR: Zero-shot Query Reformulation for Conversational Search
Institute for Financial Services Analytics（金融服务分析研究院）；University of Delaware（特拉华大学）
本文提出零样本查询重构框架ZeQR，利用机器阅读理解语言模型显式解决对话查询中的共指和省略歧义，无需监督数据即可普遍适用于任意检索器，并在四个TREC对话数据集上持续超越最先进基线。
2024-10-17 cs.CL cs.IR
A Systematic Review of Automated Query Reformulations in Source Code Search
Dalhousie University（达尔豪斯大学）；University of Saskatchewan（萨斯喀彻温大学）
该系统性综述从2970项候选研究中筛选70项源代码搜索自动查询重构相关研究，通过定性分析梳理8类现有方法、指出主要局限，并提出领域最佳实践与未来方向。
2023-06-08 cs.IR cs.LG cs.NE
Performance Oriented Query Processing In GEO Based Location Search Engines
地理位置搜索引擎允许用户通过将查询集中在特定地理区域上来以直观的方式对搜索结果进行约束和排序。地理搜索技术，也被称为位置搜索，最近受到了主要搜索引擎公司的极大关注。这一领域的学术研究主要集中在从网络中提取地理知识的技术上。在本文中，我们研究了可扩展的地理搜索引擎中的高效查询处理问题。查询处理是标准Web搜索引擎中的主要瓶颈，也是主要引擎使用数千台机器的主要原因。地理搜索引擎查询处理的不同之处在于它需要文本和空间数据处理技术的组合。我们提出了几种算法，有效的查询处理地理搜索引擎，将它们集成到现有的Web搜索查询处理器，并评估它们的大集合的真实数据和查询痕迹。
2010-05-06 cs.IR
EviQE: Evidence Selection for LLM-Based Query Expansion
Toronto Metropolitan University（多伦多都会大学）；University of Waterloo（滑铁卢大学）；University of Toronto（多伦多大学）
EviQE通过聚合多个改写器的检索文档并选择紧凑证据集进行查询扩展，在TREC DL和BEIR基准上，基于相关性的证据选择（LLM-Score）显著优于直接改写等方法。
2026-09-15 cs.IR
Can QPP Choose the Right Query Variant? Evaluating Query Variant Selection for RAG Pipelines
UC Berkeley（伯克利大学）；Databricks（Databricks公司）
本文研究了在RAG流水线中如何选择最佳查询变体，通过大规模实验评估了预检索和后检索预测器的性能，发现检索相关性与生成保真度之间存在'效用差距'，但QPP能有效提升端到端质量。
2026-04-24 cs.CL cs.IR
Applications of Generative Adversarial Models in Visual Search Reformulation
查询重构是用户对输入搜索查询进行细化以匹配原始前n个结果之外的文档的过程。平均而言，大约50%的文本搜索查询涉及某种形式的重新表述，而术语建议工具在提供给用户时有35%的时间被使用。然而，尽管文本搜索查询很普遍，但这种功能还有待于在视觉搜索中进行大规模的探索。这是因为图像的重构提出了一个新的挑战，无缝地转换视觉特征，以匹配典型用户会话的上下文中的用户意图。在本文中，我们提出了语义转换视觉查询的方法，例如利用生成对抗模型的潜在空间中的操作，用于时尚和产品搜索的场景。
2019-10-28 cs.CV cs.IR cs.LG
Combining Named Entities with WordNet and Using Query-Oriented Spreading Activation for Semantic Text Search
基于关键字的文本搜索并不令人满意，因为命名实体和WordNet单词也是定义文档内容或出现它们的查询的重要元素。命名实体具有本体特征，即它们的别名、类和标识符。WordNet中的词也具有本体特征，即同义词、上位词、下位词和义项。概念的这些特征可能隐藏在它们的文本外观中。此外，还有一些相关的概念没有出现在查询中，但如果添加它们，则可以显示查询的含义。提出了一种基于本体的广义向量空间模型来进行语义文本搜索。它利用命名实体和WordNet词的本体特征，并开发了一个面向查询的扩散激活算法来扩展查询。此外，它结合和利用不同的本体的语义标注和搜索的优势。在基准数据集上的实验表明，在MAP度量方面，我们的模型比纯粹基于关键字的模型好42.5%，比仅使用WordNet或命名实体的模型分别好32.3%和15.9%。关键词：语义搜索，扩散激活，本体，命名实体，WordNet。
2018-07-20 cs.IR
Learning to Reformulate the Queries on the WEB
幼稚的用户无法制定适当的查询是一个基本的问题，在网络搜索引擎。因此，帮助用户发出更有效的查询是提高用户幸福感的重要途径。一种有效的方法是查询重组，它根据用户发出的当前查询生成新的有效查询。以前的研究通常会生成与原始查询相关的单词和短语。由于查询重构的定义是相当普遍的，这是完全难以开发一个统一的基于术语的方法来解决这个问题。本文使用现成的数据，特别是超过10亿个锚定短语在Cuberweb 09语料库，为了学习一个端到端的编码器-解码器模型，自动生成有效的查询。在序列到序列模型领域的成功研究之后，我们在编码器处采用具有最大池的字符级卷积神经网络，在解码器处采用基于注意力的递归神经网络。整个模型采用无监督的端到端学习方式，在TREC数据集上的实验表明，该方法自动生成的重构查询能够显著提高检索性能。
2019-07-02 cs.IR
EviReform: Evidence-Guided Query Reformulation for Multi-Hop Graph Retrieval
Nanjing University of Information Science and Technology（南京信息工程大学）；Meituan（美团）
EviReform将检索请求修订与图中证据聚合分离，结合原始与残差检索信号传播，在多跳问答数据集上较基线模型提升了Recall@5和F1指标。
2026-08-14 cs.CL cs.IR
CODEC: Complex Document and Entity Collection
CODEC是一个文档和实体排名基准，专注于复杂的研究主题。我们的目标是社会科学研究人员的论文式信息需求，即“英国的开放银行监管如何使挑战者银行受益？". CODEC包括研究人员开发的42个主题和一个新的重点网络语料库，其中包含实体链接的语义注释。该资源包括来自不同自动和交互式手动运行的17，509个文档和实体（每个主题416.9个）的专家判断。手动运行包括387个查询重写，为查询性能预测和自动重写评估提供数据。CODEC包括对最先进系统的分析，包括稠密检索和神经重新排序。结果表明，主题是具有挑战性的，为文档和实体排名的改进预留了空间。查询扩展与实体信息显示显着的收益在文档排序，展示了资源的价值，评估和改进面向实体的搜索。我们还表明，手动查询重构显着提高文档排序和实体排名的性能。总体而言，CODEC提供了具有挑战性的研究课题，以支持以实体为中心的搜索方法的开发和评估。
2022-05-17 cs.IR
Structured Query Reformulations in Commerce Search
最近的工作表明，在商业搜索理解用户查询的语义，使更有效的查询分析和检索相关的产品。然而，由于缺乏足够的领域知识，用户查询往往包括无法直接映射到任何产品属性的条款。例如，寻找{ \tt设计师手袋}的用户可能以这样的查询开始，因为她不熟悉制造商、价格范围和/或给予手袋设计师吸引力的材料。当前的商业搜索引擎将诸如{ \tt designer}之类的术语视为关键字，并试图将它们与诸如产品评论和产品描述之类的内容相匹配，这通常导致较差的用户体验。在这项研究中，我们建议解决这个问题，重新制定查询涉及的条款，如{ \tt设计师}，我们称之为\emph{modifiers}，查询，指定精确的产品属性。我们学习通过分析用户行为和利用结构化数据源（如服务于查询的产品目录）来重写属性值的修饰符。我们首先产生一个基于用户行为数据的修饰符和属性值之间的概率映射。然后，这些初始关联被用于从目录中检索产品，我们根据这些产品推断出最能描述修饰符语义的属性值集。我们评估我们的方法的有效性的基础上全面的机械土耳其人的研究。我们发现，用户同意我们的方法选择的属性值在约95%的情况下，他们更喜欢的结果，我们重新制定的查询，原来的查询在87%的时间。
2012-08-13 cs.DB cs.IR
Using Query Expansion in Manifold Ranking for Query-Oriented Multi-Document Summarization
Beihang University（北京航空航天大学）
流形排序已成功地应用于面向查询的多文档摘要。它不仅利用了句子之间的关系，而且还利用了给定查询和句子之间的关系。然而，原始查询的信息往往是不够的。为此，本文提出了一种结合流形排序的查询扩展方法来解决这一问题。该方法不仅利用查询词本身的信息和知识库WordNet进行同义词扩展，还利用文档集本身的信息进行多种方式的查询扩展（均值扩展、方差扩展和TextRank扩展）。与以往的查询扩展方法相比，我们的方法结合了多种查询扩展方法，更好地表示查询信息，同时在流形排序上做了有益的尝试。此外，我们使用词的重叠度和词之间的接近度来计算句子之间的相似度。在DUC2006和DUC2007数据集上进行了实验，实验结果表明，所提出的查询扩展方法能够显著提高系统性能，使系统性能达到与现有系统相当的水平.
2021-07-31 cs.AI cs.IR cs.LG
Validating Simulations of User Query Variants
面向系统的IR评估仅限于对真实用户行为的相当抽象的理解。作为一种解决方案，模拟用户交互提供了一种具有成本效益的方式，在没有交互日志可用时，通过更真实的指令来支持面向系统的实验。虽然有几个模拟点击或结果列表交互的用户模型，很少有人尝试对查询模拟，它还没有调查，如果这些可以重现真实查询的属性。在这项工作中，我们验证模拟用户查询变种的帮助下，TREC测试集合参考真实的用户查询，相应的主题。此外，我们引入了一个简单而有效的方法，提供了更好的再现真实的查询比建立的方法。我们的评估框架验证了模拟的检索性能，再现性的主题分数分布，共享任务的效用，努力和效果，查询词相似性相比，与真实的用户查询变体。虽然检索的有效性和统计特性的主题得分分布以及经济方面接近真实的查询，它仍然是具有挑战性的模拟精确的术语匹配和以后的查询重构。
2022-03-24 cs.IR
AI Guided Accelerator For Search Experience
eBay Inc（eBay公司）
本工作提出一个框架，通过挖掘eBay用户查询轨迹建模过渡查询，并利用大语言模型生成意图保持的替代查询，以增强电子商务搜索中的相关搜索和意图聚类轮播，实证显示转化和参与度提升。
2025-10-16 cs.IR cs.LG
Sequence-to-Set Semantic Tagging: End-to-End Multi-label Prediction using Neural Attention for Complex Query Reformulation and Automated Text Categorization
The Ohio State University（俄亥俄州立大学）；Nationwide Children’s Hospital（全国儿童医院）
新颖的上下文可能经常出现在复杂的查询场景中，例如在涉及生物医学文献的循证医学（EBM）中，其可能不明确地指出现在任何基于事实或规则的知识源（例如，像UMLS的本体）中的实体或规范概念形式。此外，在当前上下文中有意义的候选概念之间的隐藏关联可能不存在于单个文档中，而是通过替代词汇形式存在于集合中。因此，受到最近序列到序列神经模型在广泛的NLP任务中提供最先进技术的成功的启发，我们开发了一种新的序列到集合框架，用于学习可以影响语料库内术语转移的文档表示，用于语义标记大量文档。我们证明了我们提出的方法在用于文本分类的监督多标签分类设置中以及在没有人类注释的文档标签的独特无监督设置中都是有效的，该设置不使用外部知识资源，只使用语料库派生的术语统计来驱动训练。此外，我们表明，使用我们的架构对大量未标记数据进行半监督训练，可以在有限的标记数据可用时提高文本分类任务的性能。我们的方法来生成文档编码，采用我们的序列到集合模型来推断语义标签，根据我们所知，在基于Okapi BM 25的文档检索系统上评估时，为TREC CDS 2016挑战数据集提供了最先进的无监督查询扩展任务;以及MLTM基线（Soleimani et al，2016），用于www.example.com和Ohsumed数据集上的监督和半监督多标签预测任务del.icio.us。我们将公开我们的代码和数据。
2019-11-11 cs.CL cs.IR cs.LG
ConQueR: Contextualized Query Reduction using Search Logs
本文提出使用预训练语言模型的ConQueR方法，通过核心词项提取和子查询选择两种视角缩减冗长查询，并在真实搜索日志上实现高达8.45%的精确匹配提升。
2023-05-22 cs.IR
POQD: Performance-Oriented Query Decomposer for Multi-vector retrieval
针对多向量检索中查询分解非端到端可微且联合训练低效的问题，提出POQD框架，利用LLM分解查询并交替优化提示与下游模型，以合理成本提升检索与端到端问答性能。
2025-06-01 cs.DB 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
Reformulate, Retrieve, Localize: Agents for Repository-Level Bug Localization
Concordia University（康科迪亚大学）；Toronto Metropolitan University（多伦多 Metropolitan 大学）
本文提出利用LLM代理通过查询重新表述和摘要改进仓库级缺陷定位，实现更高效的文件级定位性能。
2025-12-07 cs.AI cs.IR cs.SE
A Case Study of Balanced Query Recommendation on Wikipedia
本文通过扩展 BalancedQR 框架，利用帕累托前沿方法在多维度上优化性别偏见、区域偏见与结果相关性，并在维基百科数据集上验证了平衡查询推荐的有效性及其对检索的显著影响。
2025-08-28 cs.IR
QueryExplorer: An Interactive Query Generation Assistant for Search and Exploration
本文提出 QueryExplorer，一个支持 HuggingFace 和 PyTerrier 的交互式查询生成、重构与检索界面，通过 LLM 辅助编辑和记录用户反馈，解决按示例查询中的概念漂移问题，支持复杂搜索任务的人机协同实验。
2024-03-23 cs.IR
The Number of Terms and Documents for Pseudo-Relevant Feedback for Ad-hoc Information Retrieval
在信息检索系统（IRS）中，自动相关反馈（ARF）是一种查询重组技术，它在不需要用户干预的情况下修改初始查询。它主要通过添加来自外部资源（如本体和/或当前研究结果）的术语来应用。在这方面，我们主要感兴趣的是在本地的分析技术，为ARF在特设IRS阿拉伯文文件。在这篇文章中，我们研究了这种技术中隐含的两个参数的变化对阿拉伯文IRS性能的影响，也就是说，文档的数量«D»和术语的数量«T»。的实验，进行了阿拉伯语语料库文本，使我们能够推断出，有查询，这是不容易改进的查询重构。此外，ARF的成功主要是由于选择了足够数量的文档D，并提取了一组非常少的相关术语T用于检索。
2013-06-17 cs.IR
Semi-Structured Query Grounding for Document-Oriented Databases with Deep Retrieval and Its Application to Receipt and POI Matching
NAVER Corp（NAVER公司）
面向文档数据库的半结构化查询系统有许多实际应用。我们感兴趣的一个特定应用是将每个金融收据图像与其对应的感兴趣地点（POI，例如，在全国范围内的数据库。该问题在实际生产环境中尤其具有挑战性，在实际生产环境中，数据库中存在许多相似或不完整的条目，并且查询是嘈杂的（例如，光学字符识别中的错误）。在这项工作中，我们的目标是解决实际的挑战时，使用基于嵌入的检索的查询接地问题，在半结构化数据。利用深度语言编码用于检索的最新进展，我们进行了广泛的实验，以找到最有效的模块组合，用于嵌入和检索查询和数据库条目，而无需任何手动设计的组件。所提出的模型显着优于传统的手动模式为基础的模型，同时需要更少的开发和维护成本。我们还讨论了我们实验中的一些核心观察结果，这可能对其他领域中处理类似问题的从业者有所帮助。
2022-02-23 cs.CL cs.IR cs.LG
Semantic Query Optimisation with Ontology Simulation
毫无疑问，语义Web在工业界和学术界都获得了发展势头。“语义”这个词指的是“意义”--语义网是一个意义之网。在这个快速变化和以结果为导向的现实世界中，一个人不得不在互联网上努力寻找信息的日子已经过去了，知识管理是主要问题。语义网的愿景是链接、整合和分析来自各种数据源的数据，并形成一个新的信息流，因此是一个相互连接的数据库网络，机器与其他机器相互作用，以产生面向用户的准确结果。随着语义Web框架的出现，在句法Web上搜索信息的简单方法已经过时了。本文提出了一种优化的语义搜索的关键字举例模拟本体的印度大学提出的算法，衍生出有效的语义检索的信息，易于访问和节省时间。
2010-11-01 cs.IR
Multi-Stage Conversational Passage Retrieval: An Approach to Fusing Term Importance Estimation and Neural Query Rewriting
University of Waterloo（滑铁卢大学）；Academia Sinica（中央研究院）；National Chengchi University（国立政治大学）
会话搜索在会话信息搜索中起着至关重要的作用。由于自然语言对话中固有的共指和遗漏问题，传统的自组织信息检索（IR）系统在信息搜索对话中的查询是模糊的，因此解决这些模糊性是至关重要的。在本文中，我们解决对话通道检索（ConvPR），对话搜索的一个重要组成部分，通过解决查询歧义与查询重组集成到一个多阶段的ad-hoc IR系统。具体来说，我们提出了两种会话查询重构（CQR）方法：（1）术语重要性估计和（2）神经查询重写。对于前者，我们扩展会话查询使用的重要条款提取的会话上下文与基于频率的信号。对于后者，我们用一个预先训练的序列到序列模型将会话查询重新表达为自然的、独立的、人类可理解的查询。定量和定性地详细分析了两种CQR方法，解释了它们的优点，缺点和不同的行为。此外，为了利用这两种CQR方法的优势，我们建议将它们的输出与倒数等级融合相结合，产生最先进的检索效果，与TREC CAST 2019的最佳提交相比，NDCG@3提高了30%。
2021-03-11 cs.AI cs.CL cs.IR
QuOTeS: Query-Oriented Technical Summarization
Dalhousie University（达尔豪斯大学）；Institute of Research in Social Sciences and Humanities (ICSOH)（社会科学与人文研究所（ICSOH））；Universidad Nacional de Salta - CONICET（萨尔塔国立大学-国家科学技术研究委员会（CONICET））；Institute for Computer Science and Engineering, UNS - CONICET（UNS-国家科学技术研究委员会（CONICET）计算机科学与工程研究所）；Universidad Nacional del Sur（南方国立大学）；Escrever Ciência（埃斯克雷弗科学）
QuOTeS是一个交互式系统，结合查询聚焦抽取式摘要与高召回率检索，辅助研究人员撰写论文，用户研究显示其生成相关、简洁且完整的摘要。
2023-06-20 cs.CL cs.IR
Query-oriented Data Augmentation for Session Search
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Engineering Research Center of Next-Generation Intelligent Search and Recommendation, Ministry of Education（教育部下一代智能搜索与推荐工程研究中心）；Beijing Key Laboratory of Big Data Management and Analysis Methods（北京市大数据管理与分析方法重点实验室）
本文提出面向查询的数据增强方法，通过改变会话搜索中的当前查询生成补充训练对，使模型学习文档相关性随上下文变化，并在两个大规模公开搜索日志上验证了有效性。
2024-07-04 cs.CL cs.IR
