An Information Retrieval Approach to Short Text Conversation
Huawei Technologies（华为技术有限公司）
人机对话被认为是人工智能中最困难的问题之一。在本文中，我们解决它的一个关键的子问题，被称为短文本会话，其中给定的消息从人类，计算机返回一个合理的响应消息。我们利用社交媒体上大量的简短对话数据来研究这个问题。我们建议在第一步将短文本会话形式化为搜索问题，并采用最先进的信息检索（IR）技术来执行任务。我们调查的意义，以及限制IR方法。我们的实验表明，检索为基础的模型可以使系统的行为，而“智能”，当与一个巨大的存储库的会话数据从社交媒体。
2014-08-29 cs.CL cs.IR
CIR at iKAT SCAI 2026: Exploring Clarification Need Prediction in Agentic Conversational Search
科隆信息检索小组参与 iKAT SCAI 2026 共享任务，运用配备多种工具的智能对话搜索系统及两种神经澄清需求预测模型进行实验，探索智能对话搜索中的澄清需求预测。
2026-07-23 cs.IR
Empowering Retrieval-based Conversational Recommendation with Contrasting User Preferences
针对对话推荐系统单一用户表示难以区分用户喜好与厌恶等对比意图的问题，提出CORAL模型，借助LLMs通过对比偏好扩展提取隐藏偏好并融入推荐，在三个基准数据集上Recall@10最高提升99.72%。
2025-03-27 cs.IR
Open-Retrieval Conversational Question Answering
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Ant Financial（蚂蚁金融）；Alibaba Group（阿里巴巴集团）
对话式检索是信息检索的最终目标之一。最近的研究方法会话搜索的简化设置的响应排名和会话的问答，其中答案是从一个给定的候选集选择或从一个给定的通道提取。这些简化忽略了检索在会话搜索中的基本作用。为了解决这一限制，我们引入了一个开放检索会话式问答（ORConvQA）设置，在那里我们学习从一个大的集合中检索证据，然后提取答案，作为构建功能会话搜索系统的进一步步骤。我们创建了一个数据集OR-QuAC，以促进对ORConvQA的研究。我们为ORConvQA构建了一个端到端的系统，其中包括一个检索器、一个重排序器和一个读取器，这些都是基于Transformers的。我们在OR-QuAC上的大量实验表明，可学习的检索器对ORConvQA至关重要。我们进一步表明，当我们在所有系统组件中启用历史建模时，我们的系统可以做出实质性的改进。此外，我们表明，reranker组件有助于通过提供正则化效果的模型性能。最后，进行了进一步的深入分析，以提供新的见解ORConvQA。
2020-05-22 cs.CL cs.IR
NORMY: Non-Uniform History Modeling for Open Retrieval Conversational Question Answering
针对开放检索对话式问答，提出非均匀历史建模方法NORMY，为各模块定制历史上下文，并引入关键词提取检索器，在多个数据集上超越现有方法。
2024-02-07 cs.IR
UniConv: Unifying Retrieval and Response Generation for Large Language Models in Conversations
University of Montreal（蒙特利尔大学）；University of Amsterdam（阿姆斯特丹大学）；Renmin University（中国人民大学）；University of Notre Dame（圣母大学）
本文提出UniConv，通过联合微调统一大型语言模型的密集检索与响应生成，设计机制降低不一致性风险并缓解数据差异，在五个数据集上实现两项任务相互提升并超越基线。
2025-07-09 cs.CL cs.IR
Generalizing Conversational Dense Retrieval via LLM-Cognition Data Augmentation
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）
提出 ConvAug 框架，通过 LLM 认知数据增强生成多层次会话、利用认知感知过程减少噪声、难度自适应过滤样本并采用对比学习训练编码器，有效提升了会话式稠密检索在真实场景中的泛化能力。
2024-06-04 cs.CL cs.IR
A Hybrid Retrieval-Generation Neural Conversation Model
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Carnegie Mellon University（卡内基梅隆大学）；Alibaba Group（阿里巴巴集团）；Microsoft Research Redmond（微软雷德蒙德研究院）；Tencent AI Lab（腾讯人工智能实验室）
能够与人类用户进行多轮对话的智能个人助理系统正变得越来越受欢迎。大多数以前的研究都集中在使用基于检索或基于生成的方法来开发这样的系统。基于检索的方法具有返回流畅和信息丰富的响应的优势。然而，这些方法的性能受到响应库大小的限制。另一方面，基于生成的方法可以对任何主题产生高度一致的响应。但是，由于缺乏基础知识，所产生的反应往往是通用的，没有信息。在本文中，我们提出了一个混合神经会话模型，结合了响应检索和生成方法的优点。Twitter和Foursquare数据上的实验结果表明，该模型优于基于检索的方法和基于生成的方法（包括最近提出的知识为基础的神经会话模型）在自动评估指标和人类评估。我们希望这项研究的结果提供了新的见解，如何整合文本检索和文本生成模型构建会话系统。
2019-08-25 cs.CL cs.IR
Conversational Recommendation as Retrieval: A Simple, Strong Baseline
Google Research（谷歌研究院）
针对对话式推荐系统过度依赖难以扩展的外部知识的问题，提出将其转化为信息检索任务，使用基于BM25的检索器并辅以用户中心建模和数据增强，在简单方法下超越了复杂基线并缓解了冷启动问题。
2023-05-23 cs.CL cs.IR
Neural Approaches to Conversational Information Retrieval
Microsoft（微软）
会话式信息检索（CIR）系统是具有会话接口的信息检索（IR）系统，该会话接口允许用户与系统交互以经由口头或书面形式的自然语言的多轮会话来寻找信息。深度学习的最新进展为自然语言处理（NLP）和会话人工智能带来了巨大的改进，导致了大量的商业会话服务，这些服务允许自然的口语和打字交互，从而增加了对IR中以人为中心的交互的需求。因此，我们目睹了研究社区和行业对开发现代CIR系统的重新兴趣。这本书调查在CIR的最新进展，集中在神经的方法，已在过去几年中开发。本书基于作者在SIGIR'2020上的教程（Gao等人，2020年b），IR和NLP社区作为主要目标受众。然而，具有其他背景的观众，如机器学习和人机交互，也会发现它是对CIR的一个容易理解的介绍。我们希望这本书能成为学生、研究人员和软件开发人员的宝贵资源。这份手稿是一份工作稿。欢迎提出意见。
2022-01-13 cs.CL cs.IR
A Graph-guided Multi-round Retrieval Method for Conversational Open-domain Question Answering
The Hong Kong Polytechnic University（香港理工大学）；Shandong University（山东大学）
近年来，会话智能体为人们提供了一种自然、便捷的获取信息的途径，会话问答（QA）也成为一个新的研究课题。在当前流行的会话式问答任务中，会话式开放域问答（英语：Conversational open-domain QA）要求从Web上检索相关段落以提取准确答案，是一种实用性较强但研究较少的问答任务。如何更好地捕捉和充分挖掘会话中的历史语境，以利于有效的大规模检索，这是一个主要的挑战。目前的研究主要是利用历史问题来提炼当前问题或增强其代表性，而历史答案和当前答案之间的关系，这也是这项任务的关键，是完全被忽视的。为了解决这个问题，我们提出了一种新的图引导检索方法来模拟会话轮之间的答案之间的关系。特别是，它利用了一个通道图从超链接连接的段落，包含历史答案和潜在的当前答案，检索更多的相关段落，为后续的答案提取。此外，为了在历史语境中收集更多的互补信息，我们还建议结合多轮相关反馈技术来探讨检索语境对当前问题理解的影响。在公开数据集上的实验结果验证了该方法的有效性。值得注意的是，预测历史答案和真实历史答案的F1分数分别提高了5%和11%。
2021-04-17 cs.CL cs.IR
LINE Conversation History Retrieval for Personal Memory RAG: Evaluating Search Representations and Hybrid Retrieval
本研究针对一名用户的LINE对话历史开展检索增强生成的初始案例，构建三种搜索表示并对比多种检索方法，发现特定混合检索配置在100个评估问题上的检索性能最优，但研究存在单用户单标注等局限性。
2026-08-31 cs.IR
K-PERM: Personalized Response Generation Using Dynamic Knowledge Retrieval and Persona-Adaptive Queries
提出K-PERM，通过两步法（整合用户画像与背景知识检索）增强个性化回复，在FoCus数据集上达到最优，并使GPT 3.5性能提升10.5%。
2024-02-06 cs.IR
Query-bag Matching with Mutual Coverage for Information-seeking Conversations in E-commerce
Peking University（北京大学）；Alibaba Group（阿里巴巴集团）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
信息查询会话系统旨在通过会话满足用户的信息需求。在电子商业中，用户查询与预先收集的问题之间的文本匹配是信息搜索会话的重要组成部分。在实际情况中，一种问题总是对应着一个相同的答案。当然，这些问题可以形成一个袋子。直接学习用户查询和包之间的匹配可以提高会话性能，表示为查询-包匹配。受此启发，本文提出了一种查询-包匹配模型，该模型主要利用查询与包之间的相互覆盖度，度量包对查询内容的提及程度，反之亦然。此外，学习到的词级包表征有助于在较好的等级中找到包的要点，提高了查询-包匹配性能。在两个数据集上的实验表明了该模型的有效性。
2019-11-07 cs.CL 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
A Conversationalist Approach to Information Quality in Information Interaction and Retrieval
而不是使用（代理）最终用户或专家的判断，以决定信息的排名，本文询问是否对话的信息质量可能会提供一个可行的和有价值的信息排名。我们介绍了信息质量的理论框架，概述了如何信息交互应被视为一个会话和质量作为一个会话的贡献进行评估。接下来，概述了不同的社会对齐系统及其评估质量和排名信息的价值。我们建议，一个合作的质量评估的方法是可取的，并提出了这样一种方法的可行性和价值的排名信息的关键问题。我们的结论是，信息质量是一个内在的互动的概念，它涉及到不同背景的用户之间的互动，在不同的情况下，以及质量信号对用户的搜索行为和经验。
2022-10-13 cs.HC cs.IR
Does your robot know? Enhancing children's information retrieval through spoken conversation with responsible robots
University of Twente（特文特大学）；NTU Institute of Science and Technology for Humanity（南洋理工大学人类科学技术研究所）
在本文中，我们确定了儿童目前的信息检索过程中的挑战，并提出对话机器人作为一个机会，以减轻这一过程中负责任的方式。儿童目前在这一过程中使用的工具，如计算机上的搜索引擎或语音代理，并不总是能满足他们的具体需求。我们提出的对话机器人保持上下文，提出澄清问题，并给出建议，以更好地满足儿童的需求。由于孩子们往往过于信任机器人，我们建议让机器人测量，监控和适应孩子对机器人的信任。通过这种方式，我们希望在孩子们的信息检索过程中引导他们采取批判的态度。
2021-06-15 cs.HC cs.IR cs.RO
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
ReGeS: Reciprocal Retrieval-Generation Synergy for Conversational Recommender Systems
University of Delaware（德克萨斯大学）
针对对话式推荐系统，提出互惠检索-生成协同框架ReGeS，通过生成增强检索提炼用户意图和检索增强生成区分物品细微特征，无需额外标注，在多个基准上取得最先进推荐准确性。
2025-09-22 cs.AI cs.CL cs.IR
Weakly-Supervised Open-Retrieval Conversational Question Answering
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Ant Financial Services Group（蚂蚁集团）
最近关于问答（QA）和会话式QA（ConvQA）的研究强调检索的作用：系统首先从大量集合中检索证据，然后提取答案。这种开放检索ConvQA设置通常假设每个问题都可以通过特定段落中的单个文本跨度（跨度答案）来回答。因此，从系统是否可以从检索到的段落中恢复该地面实况答案跨度的精确匹配来导出监督信号。这种方法被称为跨度匹配弱监督。然而，寻求信息的对话对于这种跨度匹配方法是具有挑战性的，因为长的答案，特别是自由形式的答案，不一定是任何段落的严格跨度。因此，我们引入了一个学习弱监督的方法，可以识别一个段落中的已知答案的释义跨度。我们在QuAC和CoQA数据集上的实验表明，跨度匹配的弱监督只能处理跨度答案的会话，而对于人们生成的自由形式的答案，效果不太令人满意。我们的方法更灵活，因为它可以处理跨度答案和自由形式的答案。此外，我们的方法可以更强大时，结合跨度匹配的方法，这表明它是补充跨度匹配的方法。我们还进行了深入的分析，以显示在弱监督设置下对开放检索ConvQA的更多见解。
2021-03-03 cs.CL cs.IR
EnsembleGAN: Adversarial Learning for Retrieval-Generation Ensemble Model on Short-Text Conversation
Turing Robot（图灵机器人）；Peking University（北京大学）
生成定性响应一直是人机对话系统的挑战。现有的对话系统一般来自基于检索或基于生成的方法，这两个都有自己的优点和cons.Despite自然的想法集成模型的两个，现有的集成方法只集中在利用一种方法来提高另一个，但是我们认为，他们可以进一步相互增强与适当的培训策略。在本文中，我们提出了ensembleGAN，一个对抗性学习框架，用于增强开放域会话场景中的检索生成集成模型。它由一个类似语言模型的生成器、一个排名生成器和一个排名生成器组成。为了生成近似地面真实的响应并从排序器获得高排名分数，这两个生成器分别学习生成改进的高度相关响应和竞争性未观察到的候选项，而区分性排序器则被训练用于从对抗性响应中识别真实响应，从而具有两个生成器对应物的优点。在大量短文本会话数据上的实验结果证明了该方法的有效性。
2020-04-30 cs.CL cs.IR
Harnessing Evolution of Multi-Turn Conversations for Effective Answer Retrieval
University of Amsterdam（阿姆斯特丹大学）；Università della Svizzera italiana (USI)（意大利语区瑞士大学）
随着过去几年语音识别和语音生成技术的改进，许多公司已经寻求开发通过自然语言接口在移动电话或灵巧家庭设备上运行的会话理解系统。对话助理，如Google Assistant和Microsoft Cortana，可以帮助用户完成各种类型的任务。这就需要准确理解用户的信息需求，因为对话会演变成多个回合。由于自然语言的复杂性和用户信息需求的演变，在会话历史中找到相关上下文是具有挑战性的。在这项工作中，我们提出了一个广泛的分析语言，相关性，依赖性的用户话语在多轮信息寻求对话。为此，我们在TREC Cast2019轨道发布的对话中注释了相关话语。注释标签确定对话中的哪些先前话语可以用于改进当前话语。此外，我们提出了一个基于BERT微调的神经话语相关性模型，优于竞争基线。我们研究和比较多个检索模型的性能，利用不同的策略，将用户的上下文。分类和检索任务的实验结果表明，我们提出的方法可以有效地识别和纳入会话上下文。我们表明，使用预测的相关话语处理当前话语导致nDCG@20方面的38%的相对改善。最后，为了促进这一领域的研究，我们发布了注释的数据集。
2020-01-31 cs.CL cs.HC cs.IR
RAGONITE: Iterative Retrieval on Induced Databases and Verbalized RDF for Conversational QA over KGs with RAG
Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所）
RAGONITE提出一种双通道迭代检索框架，融合SQL查询与文本搜索，并结合RAG由LLM生成回答，在BMW汽车知识图谱上优于多个基线。
2024-12-25 cs.CL cs.IR
Beyond Static: Related Questions Retrieval Through Conversations in Community Question Answering
School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院）；School of Management Science and Engineering, Southwestern University of Finance and Economics（西南财经大学管理科学与工程学院）
本文提出TeCQR模型，通过对话方式提升社区问答中相关问题检索性能，利用标签增强澄清问题和噪声容忍模型，有效处理噪声反馈并优化问题表示。
2026-03-09 cs.AI cs.CL cs.IR
Query Performance Prediction: From Ad-hoc to Conversational Search
University of Amsterdam（阿姆斯特丹大学）；University of Waterloo（滑铁卢大学）
本文研究了查询性能预测（QPP）在对话式搜索（CS）中的适用性，通过复现现有方法发现大规模训练集下有监督方法优势明显，逐点方法优于逐列表方法，且基于分数的无监督方法对ConvDR检索方法评估高效。
2023-05-18 cs.CL cs.IR cs.LG
Response Ranking with Deep Matching Networks and External Knowledge in Information-seeking Conversation Systems
Center for Intelligent Information Retrieval, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校智能信息检索中心）；Alibaba Group（阿里巴巴集团）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Dept. of Computer Science, Rutgers University（罗格斯大学计算机科学系）
具有基于文本或基于语音的会话界面的智能个人助理系统在世界各地变得越来越流行。基于检索的会话模型具有返回流畅和信息丰富的响应的优点。现有的研究多集中在开放领域的“闲聊”会话或面向任务/事务的会话上。需要对寻求信息的对话进行更多的研究。在当前的会话模型中，也缺乏对超出对话话语的外部知识的建模。在本文中，我们提出了一个基于深度神经匹配网络的学习框架，该框架利用外部知识在信息搜索会话系统中进行响应排名。我们通过伪相关反馈和QA对应知识蒸馏将外部知识纳入深度神经模型。在三个信息搜索会话数据集上进行的大量实验表明，我们的方法优于各种基线方法，包括几种深度文本匹配模型和最先进的多轮会话响应选择方法。我们还对不同的响应类型，模型变化和排名示例进行分析。我们的模型和研究结果为如何利用外部知识与深度神经模型进行响应选择提供了新的见解，并对下一代信息寻求对话系统的设计产生了影响。
2018-05-09 cs.CL cs.IR
H-RAG at SemEval-2026 Task 8: Hierarchical Parent-Child Retrieval for Multi-Turn RAG Conversations
Johannes Kepler University Linz（约翰尼斯·开普勒大学林茨）；Linz Institute of Technology（林茨技术学院）；Artificial Intelligence Lab（人工智能实验室）
H-RAG通过层次化父-子检索方法提升多轮RAG对话性能，结合密集-稀疏搜索与上下文重构，实现检索与生成的协同优化。
2026-05-01 cs.CL cs.IR
Phrase Retrieval for Open-Domain Conversational Question Answering with Conversational Dependency Modeling via Contrastive Learning
Korea Advanced Institute of Science Technology（韩国科学技术院）
本文提出基于短语检索的 ODConvQA 单阶段答案预测方法，并通过对比学习建模多轮会话依赖，在两个数据集上显著优于检索器-阅读器基线。
2023-06-07 cs.CL cs.IR cs.LG
LexRAG: Benchmarking Retrieval-Augmented Generation in Multi-Turn Legal Consultation Conversation
Tsinghua University（清华大学）；Quan Cheng Laboratory（泉城实验室）；Beijing University of Posts and Telecommunications（北京邮电大学）；Shandong University（山东大学）
提出首个法律领域多轮咨询RAG基准LexRAG，含1,013个对话样本和17,228条法律条文，涵盖检索与生成任务，并配套工具包和评估流水线，揭示现有系统局限。
2025-02-28 cs.CL cs.IR
LANTERN: Layered Archival and Temporal Episodic Retrieval Network for Long-Context LLM Conversations
Cisco Systems, Inc.（思科系统公司）
提出LANTERN，一种轻量级记忆层，通过混合检索主动存档对话轮次并恢复压缩后丢失的细节，无需LLM调用且延迟低于25ms，在94个多轮对话中恢复78.3%的可验证事实，优于MemGPT基线。
2026-04-18 cs.CL cs.IR
Distilling Knowledge for Fast Retrieval-based Chat-bots
University of Tehran（德黑兰大学）
响应检索是神经排序的一个子集，其中模型从给定会话历史的一组候选者中选择合适的响应。基于检索的聊天机器人通常用于信息搜索会话系统，例如客户支持代理。为了在会话历史和候选响应之间进行成对比较，有两种方法是常见的：交叉编码器对这对进行完全自注意，双编码器对这对进行单独编码。前者给出了更好的预测质量，但对于实际使用来说太慢了。在本文中，我们提出了一个新的交叉编码器的架构和知识转移从这个模型到一个双编码器模型使用蒸馏。这有效地提高了双编码器的性能，在推理时间内没有成本。我们对三个响应检索数据集进行了详细的分析。
2020-04-23 cs.CL cs.IR
A retrieval-based dialogue system utilizing utterance and context embeddings
Maastricht University（马斯特里赫特大学）
为文本对话、话语和单词找到语义丰富且计算机可理解的表示对于对话系统（或会话代理）至关重要，因为它们的性能主要取决于对会话上下文的理解。最近的研究旨在为单词找到分布式向量表示（嵌入），使得语义相似的单词在向量空间内相对接近。将文本的“含义”编码为矢量是当前的趋势，文本可以从单词、短语和文档到实际的人与人之间的对话。在最近的研究方法中，响应已经利用解码器架构生成，给出当前会话的矢量表示。在本文中，利用嵌入的答案检索进行了探索，通过使用局部敏感哈希森林（LSH森林），一个近似最近邻（ANN）模型，找到相似的对话语料库和排名可能的候选人。著名的Ubuntu语料库（英语）和客户服务聊天数据集（荷兰语）上的实验结果表明，结合候选人选择方法，检索为基础的方法优于生成的，并揭示了有前途的未来研究方向对这样一个系统的可用性。
2017-10-20 cs.AI cs.CL cs.IR
Preference-based Learning with Retrieval Augmented Generation for Conversational Question Answering
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
针对对话式问答的三个子任务，提出基于流水线的PRAISE方法，通过大语言模型适配器利用自身生成结果和最终回答性能反馈学习，在主流基准上精度提升15.5个百分点。
2025-04-15 cs.CL cs.IR
Beyond Dyadic Memory: Interaction-Aware Multimodal Memory with Adaptive Agentic Retrieval for Multi-Party Spoken Conversations
针对多方口语对话长期记忆缺失问题，提出交互感知多模态记忆框架VoxPolyMem，结合增量说话人识别与记忆层级，并引入EG-GRPO优化检索，在VoxPolyBench等基准上显著超越基线。
2026-09-29 cs.AI cs.IR cs.SD
RAC: Retrieval-Augmented Clarification for Faithful Conversational Search
Sorbonne Université, CNRS, ISIR, F-75005 Paris, France（索邦大学、国家科学研究中心、ISIR、法国巴黎）；Ecole nationale Supérieure d’Informatique (ESI), Algeria（信息技术国家高等学院（ESI）、阿尔及利亚）；AgroParisTech, UMR MIA-PS, Palaiseau, France（农业巴黎技术学院、UMR MIA-PS、法国帕莱索）
RAC通过检索增强的方法生成基于语料库的澄清问题，提高对话搜索的准确性与可靠性。
2026-01-16 cs.CL cs.IR
Emulating Human Conversations using Convolutional Neural Network-based IR
Microsoft（微软）；Microsoft Research（微软研究院）
会话代理（“机器人”）开始广泛用于会话界面。为了设计一个能够模拟类人交互的系统，需要一个会话层，它可以充当与代理进行聊天式交互的结构。在本文中，我们介绍了一个模型，采用信息检索，利用卷积深度结构化的语义神经网络为基础的功能，在排名目前与用户进行对话的人性化的反应。在对话中，占上下文的检索模型是至关重要的，我们表明，我们的上下文敏感的方法使用卷积深度结构化语义模型（cDSSM）与字符三元组显着优于几个传统的基线检索响应的相关性。
2016-06-22 cs.AI cs.CL cs.IR
ChatR1: Reinforcement Learning for Conversational Reasoning and Retrieval Augmented Question Answering
University of Amsterdam（阿姆斯特丹大学）
ChatR1通过强化学习实现对话问答中的推理与检索增强，通过意图感知奖励提升多轮对话性能，优于多个基准数据集。
2026-04-25 cs.CL cs.IR
Ask Optimal Questions: Aligning Large Language Models with Retriever's Preference in Conversation
Korea University（韩国大学）；KAIST AI（韩国科学技术院人工智能研究中心）；Seoul National University（首尔国立大学）；AIGEN Sciences（AIGEN科学）
针对对话式搜索中现有重写-检索方法查询重写效果不佳的问题，提出RetPO框架，通过构建含41万+重写反馈的RF collection数据集微调小模型，实现与检索器偏好对齐，性能超现有SOTA。
2025-06-16 cs.CL cs.IR
PAQA: Toward ProActive Open-Retrieval Question Answering
Sorbonne Université（索邦大学）；University of Montréal（蒙特利尔大学）；Université de Lille（里尔大学）
本文提出PAQA数据集，在AmbiNQ基础上加入澄清问题，研究检索对歧义检测和澄清问题生成的影响，以提升对话搜索系统的主动性。
2024-02-26 cs.CL cs.IR
Macaw: An Extensible Conversational Information Seeking Platform
Microsoft AI & Research（微软人工智能与研究部）
会话式信息搜索是信息检索领域的一个重要研究方向。这样的研究将需要数据和工具，以允许会话系统的实施和研究。本文介绍了Macaw，一个开放源码的框架与CIS研究的模块化架构。Macaw支持多回合、多模式和混合主动交互，并支持文档检索、问答、推荐和结构化数据探索等任务的研究。它有一个模块化设计，以鼓励新的CIS算法的研究，这可以在批处理模式进行评估。它还可以与用户界面集成，这允许用户在交互方式下进行研究和数据汇集，后端可以是完全算法的或向导式的设置。Macaw在MIT许可证下发布。
2019-12-18 cs.CL cs.HC cs.IR
Curriculum Learning Strategies for IR: An Empirical Study on Conversation Response Ranking
TU Delft（代尔夫特理工大学）
传统上，神经排名模型是在一系列随机批次上训练的，这些批次是从整个训练集中均匀采样的。课程学习最近被证明可以通过在训练过程中从容易到困难的实例不均匀地采样批次来提高神经模型的有效性。在神经信息检索（IR）的背景下，课程学习尚未被探索，因此仍然不清楚（1）如何测量训练实例的难度以及（2）如何在训练期间从容易的实例过渡到困难的实例。为了解决这两个挑战，并确定课程学习是否有利于神经排名模型，我们需要大规模的数据集和检索任务，使我们能够进行广泛的实验。为此，我们求助于会话响应排名的任务：给定会话历史的响应排名。为了应对挑战（1），我们探索了基于不同输入空间的评分函数来衡量会话的难度。为了解决挑战（2），我们评估了不同的起搏功能，这些功能决定了我们从容易到困难的速度。我们发现，总的来说，通过智能地对训练数据进行排序（即，通过执行课程学习），我们可以将检索效率提高2%。
2019-12-18 cs.CL cs.IR cs.LG
Asking Clarifying Questions in Open-Domain Information-Seeking Conversations
Università della Svizzera italiana (USI)（瑞士意大利语区大学（USI））；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
用户往往无法在一个查询中表达其复杂的信息需求。因此，他们可能需要扫描多个结果页面或重新制定他们的查询，这可能是一个令人沮丧的经历。或者，系统可以通过主动询问用户的问题来澄清他们的信息需求，从而提高用户满意度。在会话系统中，提出澄清性问题尤其重要，因为它们只能返回有限数量的结果（通常只有一个）。在本文中，我们制定了开放域信息寻求会话系统中的问题澄清的任务。为此，我们提出了一种离线评估方法，并通过众包收集了一个名为Qulac的数据集。我们的数据集建立在TREC Web Track 2009-2012数据的基础上，由198个TREC主题的10 K多个问答对组成，涉及762个方面。我们在Oracle模型上的实验表明，只问一个好问题，就P@1而言，检索性能提高了170%以上，这清楚地表明了任务的潜在影响。我们进一步提出了一个检索框架，包括三个组成部分：问题检索，问题选择，和文档检索。特别是，我们的问题选择模型考虑到原始查询和以前的问答互动，同时选择下一个问题。我们的模型显著优于竞争基准。为了促进这一领域的研究，我们公开了Qulac。
2019-07-15 cs.AI cs.CL cs.IR
ProductAgent: Benchmarking Conversational Product Search Agent with Asking Clarification Questions
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Peng Cheng Laboratory（鹏城实验室）
本文提出ProductAgent对话式产品搜索智能体及PROCLARE评测基准，通过策略性澄清提问与动态检索，在电商模糊查询场景中随对话轮次增加逐步提升检索性能。
2024-07-01 cs.AI cs.CL cs.IR
Guided Transformer: Leveraging Multiple External Sources for Representation Learning in Conversational Search
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Microsoft（微软）
响应于模糊或分面查询而提出澄清性问题已经被认为是用于各种信息检索系统，特别是具有有限带宽接口的会话式搜索系统的有用技术。分析和生成澄清问题最近已经被研究，但准确利用用户的反应澄清问题已经相对较少探索。在本文中，我们使用一种新的注意力机制来丰富Transformer网络学习到的表示，该机制来自外部信息源，对会话中的每个术语进行加权。我们在一个包括澄清问题的对话搜索场景中评估这个引导式Transformer模型。在我们的实验中，我们使用了两个独立的外部来源，包括检索到的顶级文档和一组不同的可能的查询澄清问题。我们实现了建议的表示学习模型的两个下游任务，在会话搜索：文档检索和下一个澄清问题的选择。我们的实验使用公共数据集进行搜索澄清，并与竞争基线相比表现出显着的改进。
2020-06-13 cs.CL cs.IR cs.LG
RoTRAG: Rule of Thumb Reasoning for Conversation Harm Detection with Retrieval-Augmented Generation
Peking University（北京大学）；Enhans；University of North Texas（北得克萨斯大学）
提出RoTRAG框架，通过检索外部道德规范（RoTs）增强LLM的多轮对话有害内容检测，实现基于规范推理和分类，平均F1提升约40%，分布误差降低8.4%。
2026-06-16 cs.AI cs.CL cs.HC
