ColBERT's [MASK]-based Query Augmentation: Effects of Quadrupling the Query Input Length
本文研究了ColBERT中基于[MASK]标记的查询增强机制,发现将查询长度扩展至四倍对检索性能影响甚微,证明了模型对超长查询输入的鲁棒性。
2024-08-24 cs.IR
Assessing the behavior and performance of a supervised term-weighting technique for topic-based retrieval
本文分析和评价了FDD \b{eta},一种有监督的术语加权方案,可用于基于主题的检索中的查询术语选择。FDD \b{eta}根据两个因素对术语进行加权,这两个因素表示术语相对于给定主题的描述力和区分力。然后,它结合这两个因素,通过使用一个可调参数,允许有利于不同方面的检索,如精度,召回或两者之间的平衡。本文的主要贡献在于:(1)对FDD \b{eta}作为其可调参数的函数的行为进行了广泛的分析;(2)将FDD \b{eta}与18种传统的和最先进的加权方案进行了比较;(3)对使用分析的方法选择的术语组合构建的析取查询的性能进行了评估;(4)它引入了一个新的公共数据集,其中的新闻被标记为与经济领域相关或不相关。分析和评价是在三个数据集上进行的:两个著名的文本数据集,即20个新闻组和路透社-21578,以及新发布的数据集。可以得出这样的结论:尽管FDD \b{eta}简单,但它与最先进的方法相比具有竞争力,并且具有在适应特定任务目标时提供灵活性的重要优势。结果还表明,FDD \b{eta}提供了一个有用的机制,探索不同的方法来建立复杂的查询。
2020-07-16 cs.IR
RAQG-QPP: Query Performance Prediction with Retrieved Query Variants and Retrieval Augmented Query Generation
University of Glasgow(格拉斯哥大学)
本文提出RAQG-QPP方法,利用历史检索查询作为查询变体,结合大语言模型生成变体,提升神经排序模型的查询性能预测效果,实验表明在TREC DL'19和DL'20上比现有方法提升30%。
2026-04-29 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
Breaking Flat: A Generalised Query Performance Prediction Evaluation Framework
Indian Association for the Cultivation of Science(印度科学培养印度协会);University of Glasgow(格拉斯哥大学)
本文提出了一种通用的查询性能预测评估框架,通过三种不同设置评估排序模型的有效性,发现预测最佳排序器比预测查询难度更具挑战性。
2026-01-24 cs.IR
Query-specific Variable Depth Pooling via Query Performance Prediction towards Reducing Relevance Assessment Effort
本文提出利用QPP估计各查询的潜在相关文档数并设置可变池深度,从而在保持IR系统相对有效性评估的同时显著减少相关性标注工作量。
2023-04-23 cs.IR
Deep-QPP: A Pairwise Interaction-based Deep Learning Model for Supervised Query Performance Prediction
受最近用于排名任务的端到端深度神经模型的成功的启发,我们在这里提出了一种用于查询性能预测(QPP)的监督式端到端神经方法。与依赖于文档分数分布的各种统计数据的无监督方法相比,我们的方法完全是数据驱动的。此外,与弱监督方法相比,我们的方法也不依赖于来自不同QPP估计器的输出。特别是,我们的模型利用的信息,从语义之间的相互作用的条款的查询和那些在顶部的文件检索与它。该模型的架构包括多层的2D卷积过滤器,然后由一个前馈层的参数。标准测试集上的实验表明,我们提出的监督方法优于其他国家的最先进的监督和无监督的方法。
2022-02-15 cs.IR
The Role of Word-Eye-Fixations for Query Term Prediction
在整个搜索过程中,用户对所检查的SERP和网站的注视可以揭示他或她的搜索兴趣。凝视行为可以用眼动追踪来捕捉,并用词眼注视来描述。词眼注视包含用户在网页的每个单词上的累积注视持续时间。在这项工作中,我们分析了预测查询条件的字眼注视的作用。我们调查了一系列的会话功能,特别是凝视数据,与查询条件和训练模型预测查询条件之间的关系。我们使用的数据集的50个搜索会话通过实验室研究在社会科学领域获得。使用已建立的机器学习模型,即使只有很少的训练数据,我们也可以以极高的准确度预测查询词。特征分析表明,类别固定,查询相关性和会话主题包含我们的任务最有效的功能。
2020-08-05 cs.IR
AMinerGNN: Heterogeneous Graph Neural Network for Paper Click-through Rate Prediction with Fusion Query
基于用户生成关键词的论文推荐是指推荐既符合用户兴趣又与输入关键词相关的论文。这是一个包含两个查询的推荐任务,用户ID和关键字。然而,现有的方法集中在根据一个查询,也就是推荐。用户ID,不适用于解决此问题。提出了一种基于异构图神经网络的点击率预测模型AMinerGNN,用于推荐具有两个查询的论文。具体来说,AMinerGNN通过图表示学习构建一个异构图,将用户、论文和关键词投影到同一个嵌入空间。为了处理两个查询,一个新的查询关注融合层的设计,动态地认识到他们的重要性,然后融合他们作为一个查询,建立一个统一的,端到端的推荐系统。在我们提出的数据集和在线A/B测试上的实验结果证明了AMinerGNN的优越性。
2022-08-15 cs.IR
Groupwise Query Performance Prediction with BERT
虽然像BERT这样的大规模预训练语言模型已经推进了IR的最新技术,但到目前为止,它在查询性能预测(QPP)中的应用仍然是基于单个查询的逐点建模。同时,最近的研究表明,一组文档的交叉注意建模可以有效地提高学习排名算法和基于BERT的重新排名的性能。为此,提出了一种基于BERT的groupwise QPP模型,在该模型中,查询列表的排名上下文被联合建模,以预测单个查询的相对性能。在三个标准TREC集合上的广泛实验展示了我们方法的有效性。我们的代码可在https://github.com/VerdureChen/Group-QPP上获得。
2022-04-25 cs.IR
On the Feasibility and Robustness of Pointwise Evaluation of Query Performance Prediction
针对现有列表式查询性能预测评估不支持单个查询评估的缺陷,提出逐点QPP框架,通过测量预测值与真实值偏差并聚合来评估单查询质量,实验证明该方法能减小评估方差。
2023-04-01 cs.IR
Deeply Supervised Semantic Model for Click-Through Rate Prediction in Sponsored Search
在赞助搜索中,关键是匹配与查询相关的广告,并准确预测其被点击的可能性。商业搜索引擎通常使用机器学习模型来进行查询-广告相关性匹配和点击率(CTR)预测。然而,匹配模型基于查询和广告之间的相似性,忽略了检索到的广告可能不会吸引点击的事实,而点击模型依赖于点击历史,对于新的查询和广告的使用有限。我们提出了一个深度监督的架构,联合学习查询和广告的语义嵌入以及相应的CTR。我们还提出了一种新的队列负采样技术,用于学习隐式负信号。我们使用来自主要商业网络搜索引擎的10亿个查询-广告对来训练所提出的架构。该架构将表现最佳的基线深度神经架构提高了CTR预测的AUC的2%,以及查询-广告匹配的NDCG的统计学显著性的0.5%。
2018-03-28 cs.IR
On Coherence-based Predictors for Dense Query Performance Prediction
本研究提出基于神经嵌入的连贯性预测器变体,用于预测稠密检索模型(ANCE和TCT-ColBERT)的查询性能,实验显示准确性大幅提升,并发现查询类型显著影响预测稳定性。
2023-10-17 cs.IR
LENS: A Staged Design for Interaction Granularity in Sequential CTR Prediction
Tencent Inc.(腾讯公司)
针对序列CTR预测中目标与用户行为序列交互的粒度问题,提出LENS方法,通过目标条件查询门和位置偏置模块恢复细粒度控制,结合查询特定位置偏置,在多个骨干网络和数据集上取得一致提升。
2026-06-12 cs.IR
Sim4IA-Bench: A User Simulation Benchmark Suite for Next Query and Utterance Prediction
TH Köln - University of Applied Sciences(科隆应用科技大学);TH Mittelhessen - University of Applied Sciences(米特尔海森应用科技大学);Stavanger University(斯塔万格大学)
Sim4IA-Bench 是首个信息检索领域用于评估用户模拟方法的基准测试套件,通过真实搜索会话与模拟下一步查询预测的关联,促进可重复研究和现实用户模拟的发展。
2026-01-16 cs.IR
Testing different Log Bases For Vector Model Weighting Technique
本文针对 TFIDF 向量模型,使用 MED、CRAN、NPL、LISA 和 CISI 测试集评估 0.1 至 100.0 的不同 IDF 对数底数,以揭示权重取值对检索系统性能的影响。
2023-07-12 cs.AI cs.IR
MI-DPG: Decomposable Parameter Generation Network Based on Mutual Information for Multi-Scenario Recommendation
Ant Group(蚂蚁集团)
MI-DPG通过分解参数生成场景特定权重矩阵,提升多场景推荐预测性能,引入互信息正则化增强参数多样性。
2026-03-22 cs.IR
An Analysis of Variations in the Effectiveness of Query Performance Prediction
查询性能预测器估计IR系统对于给定查询的检索有效性。QPP评估的一个重要特征是,由于用于QPP评估的地面真值检索有效性可以用不同的度量来测量,因此地面真值本身不是绝对的,这与其他检索任务(例如ad-hoc检索)相反。出于这一论点,本文的目的是调查如何在地面真理的QPP评估的差异可能会影响QPP实验的结果。我们不仅根据所报告的评估指标的绝对值(例如Pearson的$r$、Kendall的$τ$)来考虑这一点,而且还考虑到当按QPP指标分数排序时不同QPP系统的等级变化。我们的实验表明,观察到的QPP结果可以有很大的不同,无论是在绝对的评估指标值,也在相对系统排名。通过我们的分析,我们报告了QPP评估指标和实验设置的最佳组合,这些组合可能会导致观察结果的较小变化。
2022-02-13 cs.IR
Beyond Correlations: A Downstream Evaluation Framework for Query Performance Prediction
Indian Association for the Cultivation of Science(印度科学培养协会);University of Glasgow(格拉斯哥大学)
本文提出了一种面向下游应用的查询性能预测评估框架,通过利用QPP估计值的分布作为IR融合的先验,提升了融合效果并揭示了QPP有效性与传统相关性评估之间的不一致性。
2026-01-24 cs.IR
Query Exposure Prediction for Groups of Documents in Rankings
本文提出查询曝光预测(QEP)任务及 GEP 方法,利用文档组词汇信息预测查询下各组在排序中的曝光分布,实验显示其准确率最高比现有适配方法提升40%。
2024-01-24 cs.IR
DFW-PP: Dynamic Feature Weighting based Popularity Prediction for Social Media Content
IIIT Sri City(印度国际信息技术学院斯里城校区);Shiv Nadar University(希夫纳达尔大学)
社交媒体平台的日益普及使得研究用户参与变得非常重要,这是任何营销策略或商业模式的重要方面。社交媒体平台上内容的过度饱和促使我们确定影响内容受欢迎程度的重要因素。这是因为只有极少量的海量在线内容能吸引目标受众的注意力。在流行度预测领域已经使用几种机器学习技术进行了全面的研究。然而,我们观察到,在分析媒体内容的社会重要性方面仍有很大的改进余地。我们提出了DFW-PP框架,以了解随着时间的推移而变化的不同功能的重要性。此外,所提出的方法通过应用对数-对数归一化来控制特征分布的偏度。所提出的方法进行了实验与基准数据集,显示出可喜的结果。该守则将在https://github.com/chaitnayabasava/DFW-PP上公布。
2021-10-16 cs.IR cs.LG cs.SI
Unsupervised Search Algorithm Configuration using Query Performance Prediction
eBay Research(易趣研究院)
搜索引擎配置对于不专业的开发人员来说可能相当困难。相反,可以使用自动配置方法来加快开发时间。然而,这样的自动过程通常需要相关性标签来训练监督模型。在这项工作中,我们提出了一个简单的解决方案,查询性能预测的基础上,不需要相关标签,但只有一个样本的查询在一个给定的域。使用两个示例用例,我们证明了我们的解决方案的优点。
2022-10-03 cs.CL cs.IR
LLM-PQA: LLM-enhanced Prediction Query Answering
Delft University of Technology(代尔夫特理工大学)
本文提出LLM-PQA工具,首次结合LLM与检索增强机制,集成数据湖和模型库以支持自然语言预测查询,并可按需动态训练模型,确保在无合适预训练模型时仍能可靠回答预测查询。
2024-09-02 cs.IR cs.LG
iQPP: A Benchmark for Image Query Performance Prediction
University of Bucharest(布加勒斯特大学);Université Toulouse Jean-Jaurès(图卢兹让·饶勒斯大学);IRIT(图卢兹计算机科学研究所)
本文提出了首个图像查询性能预测基准iQPP,通过建立四个数据集并评估检索前后的预测器,揭示了现有预测器在跨评估场景泛化方面的研究空白。
2023-04-10 cs.CV cs.IR
Uncovering the Limitations of Query Performance Prediction: Failures, Insights, and Implications for Selective Query Processing
Aix Marseille Université(艾克斯-马赛大学);Université de Toulon(土伦大学);CNRS(法国国家科学研究中心);IMT(法国国立高等电信学院);Univ. de Toulouse(图卢兹大学);Université de Toulouse(图卢兹大学);INSPE(国家教育与教学高级学院);UT2J(图卢兹第二让·饶勒斯大学);Université Toulouse Capitole(图卢兹第一大学);UT1(图卢兹第一大学);Edinburgh Napier University(爱丁堡龙比亚大学)
本文全面评估了QPP在跨检索范式和集合上的泛化能力,发现其预测准确性受集合和排序器影响显著,且QPP驱动的选择性查询处理仅带来边际收益,强调了需开发能跨集合泛化、适配稠密检索且服务下游的改进预测器。
2025-04-01 cs.IR cs.LG
Personalized Language Model for Query Auto-Completion
University of Washington(华盛顿大学)
查询自动完成是搜索引擎的一个功能,通过该功能,系统在用户键入时建议完成的查询。最近,建议使用递归神经网络语言模型作为生成查询补全的方法。我们展示了如何使用自适应的语言模型来生成个性化的补全,以及该模型如何使用在线更新来为训练过程中看不到的用户进行预测。个性化预测明显优于不使用用户信息的基线。
2018-04-25 cs.CL cs.IR
Leveraging Cognitive Search Patterns to Enhance Automated Natural Language Retrieval Performance
Multimedia University(多媒体大学);University of Lyon(里昂大学)
在大型文本存储库中搜索信息一直受到所谓的文档查询词汇差距的困扰,即一方面存储的文档实体中的内容与另一方面人类查询之间的语义不一致。在过去的二十年里,大量的工作已经提高了技术检索能力,而一些研究已经揭示了与人类搜索行为有关的问题。我们认为,这些努力应该联合起来,在这个意义上,自动检索系统必须完全模仿人类的搜索行为,从而考虑的程序,根据用户逐步提高他们的初始查询。为此,突出显示模仿用户搜索行为的认知重构模式,并增强与检索过程中采用的原始术语在统计上搭配或在词汇语义上相关的术语。我们通过考虑查询的概念表示形式化这些模式的应用,并引入一组允许对初始查询进行操作修改的操作。基于遗传算法的加权过程允许根据术语的概念角色类型来强调术语。对现实世界的数据集对相关性,语言,概念和基于知识的模型进行了实验评估。我们还表明,当语言和相关性模型相比,一个更好的性能方面的平均精度比词嵌入为基础的模型实例。
2020-04-21 cs.CL cs.IR
Document Expansion by Query Prediction
Tandon School of Engineering, New York University(纽约大学坦登工程学院);David R. Cheriton School of Computer Science, University of Waterloo(滑铁卢大学戴维·R·切里顿计算机科学学院);Courant Institute of Mathematical Sciences, New York University(纽约大学库朗数学科学研究所);Center for Data Science, New York University(纽约大学数据科学中心);Facebook AI Research(脸书人工智能研究院)
一种提高搜索引擎检索效率的技术是用与文档内容相关或代表文档内容的术语来扩展文档。从问答系统的角度来看,这可能包括文档可能回答的问题。根据这一观察结果,我们提出了一种简单的方法,该方法预测将针对给定文档发出哪些查询,然后使用由查询和相关文档对组成的数据集进行训练的香草序列到序列模型来扩展这些预测。通过将我们的方法与高效的重新排序组件相结合,我们在两个检索任务中实现了最先进的技术。在延迟临界状态下,单独的检索结果(没有重新排序)接近计算成本更高的神经重新排序器的有效性,但要快得多。
2019-09-25 cs.IR cs.LG
VQPP: Video Query Performance Prediction Benchmark
University of Bucharest / Bitdefender(布加勒斯大学/Bitdefender);University of Bucharest(布加勒斯大学)
本文提出VQPP基准,用于视频查询性能预测,包含两个数据集和两个系统,探索预检索和后检索预测器,并展示其在训练大型语言模型上的应用。
2026-02-19 cs.CV cs.IR cs.LG
Real-Time Trend Prediction via Continually-Aligned LLM Query Generation
Meta Platforms(Meta平台)
RTTP通过持续对齐的LLM查询生成,在低流量搜索环境中实现实时趋势预测,显著提升尾部趋势检测精度和查询生成准确性。
2026-01-24 cs.AI cs.IR
Combining Q&A Pair Quality and Question Relevance Features on Community-based Question Retrieval
Wuhan University of Technology(武汉理工大学)
问答社区已经成为人们从互联网上获取知识和信息的重要途径。然而,现有的翻译模型的基础上不考虑查询特定的语义时,分配权重的查询检索。因此,本文在传统主题翻译模型的基础上改进了术语加权模型,并进一步考虑问答对的质量特征,提出了一种基于社区的问答质量和相关度相结合的问题检索方法(T2LM+)。我们还提出了一种基于卷积神经网络的问句检索方法。实验结果表明,与目前比较先进的方法相比,本文提出的两种方法分别提高了MAP值4.91%和6.31%。
2019-07-03 cs.AI cs.CL cs.IR
Light-weight End-to-End Graph Interest Network for CTR Prediction in E-commerce Search
本文提出轻量级端到端图兴趣网络EGIN,通过查询-物品异构图、轻量级图采样和多兴趣网络联合建模查询与物品的相关性和序列信息,以较低训练成本提升电商搜索CTR预测效果。
2024-07-04 cs.IR cs.LG
Forward and Backward Feature Selection for Query Performance Prediction
IMT;CNRS(法国国家科学研究中心);UPS;Univ. de Toulouse(图卢兹大学);University of Bucharest(布加勒斯特大学);IRIT;INSPE
查询性能预测(QPP)的目标是自动估计任何给定查询的搜索结果的有效性,而无需相关性判断。检索后的功能已被证明是更有效的这项任务,而更昂贵的计算比检索前的功能。组合多个检索后特征甚至更有效,但是由于所采用的机器学习模型的黑箱性质,最先进的QPP方法不可能解释。然而,解释对于理解预测模型并提供有关其行为的更多答案是有用的。此外,结合许多检索后的功能是不适用于现实世界的情况下,因为查询运行时间是绝对重要的。在本文中,我们研究了一个新的特征选择框架,其中训练模型很好地解释了预测。我们引入了一个逐步(向前和向后)的模型选择方法,其中不同的子集的查询功能,以适应不同的模型,系统选择最好的一个。我们使用标准QPP功能评估我们的方法对四个TREC集合。我们还开发了两个QPP功能来解决查询反馈设置中的查询漂移问题。我们发现:(1)我们基于有限数量的选择特征的模型与用于QPP的更复杂的模型一样好,并且优于非选择性模型;(2)我们的模型在推理时间期间比复杂模型更有效,因为它需要更少的特征;(3)预测模型是可读和可理解的;和(4)我们的一个新的QPP功能是一致的选择在不同的集合,证明其实用性。
2019-12-04 cs.IR cs.LG stat.ML
Deep Search Query Intent Understanding
LinkedIn(领英)
理解用户在搜索背后的查询意图对于现代搜索引擎的成功至关重要。准确的查询意图预测允许搜索引擎通过呈现来自更相关类别的结果来更好地服务于用户的需求。本文的目的是提供一个全面的学习框架,在不同阶段的搜索建模查询意图。我们专注于设计1)预测用户的意图,因为他们在typeahead搜索中使用字符级模型在运行中输入查询; 2)准确的单词级意图预测模型,用于完整的查询。实验了用于查询文本理解的各种深度学习组件。离线评估和在线A/B测试实验表明,所提出的方法是有效的理解查询意图和有效的在线搜索系统的规模。
2020-08-18 cs.AI cs.CL cs.IR
Query Abandonment Prediction with Recurrent Neural Models of Mouse Cursor Movements
Aalto University(阿尔托大学);Telefonica Research(西班牙电信研究院)
如果用户可以直接在SERP上满足他们的信息需求,大多数成功的搜索查询不会导致点击。在没有点击数据的情况下对查询放弃进行建模是具有挑战性的,因为搜索引擎必须依赖于其他行为信号来理解潜在的搜索意图。我们表明,鼠标光标的移动是一种有价值的、低成本的行为信号,可以区分好的和坏的放弃。我们使用递归神经网络对SERP上的鼠标运动进行建模,并探索了几种不依赖于昂贵的手工制作功能且不依赖于特定SERP结构的数据表示。我们还尝试了数据恢复和增强技术,我们采用的顺序数据。我们的研究结果可以帮助搜索提供商衡量用户的满意度查询没有点击,并最终有助于更好地了解搜索引擎的性能。
2021-01-22 cs.HC cs.IR cs.LG
Zero-Shot and Efficient Clarification Need Prediction in Conversational Search
Università della Svizzera italiana(瑞士意大利语区大学);University of Amsterdam(阿姆斯特丹大学)
针对对话式搜索中澄清需求预测(CNP)训练数据有限且低效的问题,提出零样本高效框架Zef-CNP,利用大型语言模型生成合成查询训练模型,并设计TIQ-CoT与反事实查询生成策略提升质量,在有效性和效率上均优于现有方法。
2025-02-28 cs.AI cs.CL cs.IR