Multi-Faceted Self-Consistent Preference Alignment for Query Rewriting in Conversational Search
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）
本文提出MSPA-CQR方法，通过多维度自一致偏好对齐数据生成多样化查询，结合前缀引导的多维偏好优化，提升对话搜索中查询重写的效率与效果。
2026-04-08 cs.AI cs.CL
From Rewriting to Remembering: Common Ground for Conversational QA Models
Amazon Alexa AI（亚马逊Alexa人工智能部门）
在会话式QA中，模型必须利用前几轮的信息来回答即将到来的问题。目前的方法，如问题重写，努力提取相关信息的谈话展开。我们介绍了共同点（CG），一种方法来积累会话信息，因为它出现，并选择在每一个回合的相关信息。我们表明，与现有方法相比，CG提供了一种更有效、更人性化的方式来利用对话信息，从而改进了开放领域对话质量保证。
2022-04-08 cs.CL
A Comparison of Question Rewriting Methods for Conversational Passage Retrieval
University of Amsterdam（阿姆斯特丹大学）；Apple Inc.（苹果公司）
会话段落检索依赖于问题重写来修改原始问题，使得它不再依赖于会话历史。最近提出了几种问题重写的方法，但他们在不同的检索管道进行了比较。我们通过在相同的检索管道下对TREC CAST 2019和2020数据集的问题重写方法进行彻底评估来弥合这一差距。我们分析了不同类型的问题重写方法对检索性能的影响，并表明通过结合不同类型的问题重写方法，我们可以在两个数据集上实现最先进的性能。
2021-01-19 cs.CL cs.IR
ChatQA: Surpassing GPT-4 on Conversational QA and RAG
NVIDIA（英伟达）
本研究推出ChatQA模型系列，通过两阶段指令微调与对话式稠密检索器，在自研ChatRAG Bench基准上超越GPT-4系列模型，并开源相关资源推动领域发展。
2024-10-30 cs.AI cs.CL cs.IR
Question rewriting? Assessing its importance for conversational question answering
INESC-ID（INESC-ID（葡萄牙国家系统与计算机工程研究所））；Instituto Superior Técnico（高等技术学院）；Universidade de Lisboa（里斯本大学）
在会话式问答中，系统必须正确地解释互连的交互并生成知识性的答案，这可能需要从后台存储库检索相关信息。这个问题的最新方法利用神经语言模型，虽然不同的替代方案可以考虑在模块方面（a）表示用户的问题在上下文中，（b）检索相关的背景信息，（c）生成答案。本文提出了一个专门为面向搜索的对话式人工智能（SCAI）共享任务设计的对话式问答系统，并对其问题重写模块进行了详细分析。特别是，我们考虑了问题重写模块的不同变化，以评估对后续组件的影响，并对最佳系统配置所获得的结果进行了仔细的分析。我们的系统在共享任务中取得了最好的性能，我们的分析强调了会话上下文表示对整个系统性能的重要性。
2022-04-14 cs.CL cs.LG
Fusing task-oriented and open-domain dialogues in conversational agents
Nanyang Technological University（南洋理工大学）；National University of Singapore（新加坡国立大学）
构建智能对话系统的目标在很大程度上是在两种范式下分别追求的：面向任务的对话（TOD）系统，它执行面向目标的功能，和开放域对话（ODD）系统，它专注于非面向目标的闲聊。这两种对话模式可以在同一个对话中无缝地交织在一起，就像友好的人类助手很容易做到的那样。这种能力在会话代理中是可取的，因为集成使它们更容易访问和有用。我们的论文解决了这个问题，融合多轮对话中的TOD和ODD。基于流行的TOD数据集MultiWOZ，我们通过重写现有的TOD转弯并添加新的ODD转弯来构建新的数据集FusedChat。该过程构造包含来自两种对话模式的交换的会话会话。它具有模式间上下文依赖性，即，对话从两种模式的相互依存转向了两种模式的相互依存。丰富的依赖模式，包括共指和省略的功能。新的数据集包含60k个新的人类书写的ODD回合和5k个重写的TOD回合，提供了一个测试对话模型执行模式间对话能力的基准。这是一项更具挑战性的任务，因为模型必须确定适当的对话模式并基于模式间上下文生成响应。但这样的模型可以更好地模仿人类水平的对话能力。我们评估了基线模型，包括基于分类的两阶段模型和二合一融合模型。我们公开发布FusedChat和基线，以推动未来在模式间对话系统https://github.com/tomyoung903/FusedChat上的工作。
2022-04-04 cs.AI cs.CL
Beyond Memory Construction: Rethinking Memory Access for LLM-based Conversational Agents
本文针对长时程高熵对话中基于LLM的记忆构建易损且成本高的问题，提出Threader系统，通过保留原始交互并采用结构感知的多信号检索，显著提升答案准确性与证据召回率，同时降低构建开销。
2026-09-29 cs.CL
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
Open-Domain Question Answering Goes Conversational via Question Rewriting
Apple Inc.（苹果公司）；University of Amsterdam（阿姆斯特丹大学）
我们引入了一个新的数据集，用于会话上下文中的问题重写（QReCC），其中包含14K对话和80K问答对。QReCC的任务是在1000万个网页（分成5400万个段落）中找到会话问题的答案。同一对话中的问题的答案可能分布在多个网页上。QReCC提供注释，使我们能够训练和评估端到端会话问答（QA）任务所需的问题重写，段落检索和阅读理解的各个子任务。我们报告了一个强大的基线方法的有效性，结合了国家的最先进的模型的问题重写，开放域QA的竞争力模型。我们的结果为QReCC数据集设定了第一个基线，F1为19.10，而人类的上限为75.45，这表明设置的难度和很大的改进空间。
2021-04-14 cs.CL cs.IR
Exploring Rewriting Approaches for Different Conversational Tasks
Adobe Research（奥多比研究部门）
本文系统比较了改写与融合两种方法在不同对话任务中的效果，发现查询改写最适合对话问答，而融合方法更适合数据分析助手生成可视化，且融合在长短对话中均优于改写。
2025-02-28 cs.CL
Learning User-Aware Recall: Personalized Retrieval in Long-Term Conversational Memory
Baidu Inc.（百度公司）；The University of Queensland（昆士兰大学）
提出PPRO框架，通过用户画像引导的排序和基于GRPO的查询重写，实现个性化记忆检索，在LoCoMo和LongMemEval-S上取得一致提升。
2026-07-03 cs.AI cs.CL cs.IR
CONQRR: Conversational Query Rewriting for Retrieval with Reinforcement Learning
University of Washington（华盛顿大学）；Google Research（谷歌研究院）；Allen Institute for AI（艾伦人工智能研究所）
与标准检索任务相比，会话式问答（CQA）的段落检索在理解当前用户问题方面提出了新的挑战，因为每个问题都需要在对话上下文中进行解释。此外，重新训练诸如最初为非会话查询开发的搜索引擎之类的成熟检索器可能是昂贵的。为了方便他们的使用，我们开发了一个查询重写模型CONQRR，重写成一个独立的问题的上下文中的会话问题。它是用一种新的奖励函数训练的，可以直接使用强化学习优化检索，并且可以适应任何现成的检索器。CONQRR在最近的一个包含来自三个不同来源的对话的开放域CQA数据集上实现了最先进的结果，并且对两个不同的现成检索器有效。我们广泛的分析还表明，CONQRR的鲁棒性域外的对话，以及零查询重写监督。
2022-10-28 cs.CL
Contextualizing Search Queries In-Context Learning for Conversational Rewriting with LLMs
National Energy University（国立能源大学）
针对低资源场景下对话查询重写标注数据不足的问题，提出提示引导的上下文学习方法，通过精心设计的提示引导LLM实现少样本重写，在多个基准上优于强基线，为低资源对话搜索提供高效方案。
2025-02-20 cs.CL
Can Question Rewriting Help Conversational Question Answering?
The Hong Kong University of Science and Technology（香港科技大学）
问题重写（QR）是会话问答（CQA）的一个子任务，旨在通过将问题重新表述为一个独立的形式，来缓解理解对话历史之间依赖关系的挑战。尽管看似合理，但几乎没有证据证明QR是CQA的缓解方法。为了验证QR在CQA中的有效性，我们研究了一种强化学习方法，该方法集成了QR和CQA任务，并且不需要针对目标CQA的相应QR数据集。然而，我们发现RL方法与端到端基线相当。我们提供了一个失败的分析，并描述了利用QR CQA的困难。
2022-04-13 cs.CL
Enhancing Conversational Search: Large Language Model-Aided Informative Query Rewriting
University College London（伦敦大学学院）；University of Liverpool（利物浦大学）；Uppsala University（乌普萨拉大学）
本文提出利用大语言模型作为查询重写器，通过精心设计的指令生成信息性查询重写，并采用“先重写后编辑”过程和模型蒸馏降低延迟，在QReCC数据集上显著提升了对话式搜索的检索性能。
2023-10-18 cs.AI cs.CL cs.HC
Reinforced Question Rewriting for Conversational Question Answering
Amazon.com, Inc.（亚马逊公司）
会话问答（CQA）的目的是回答对话中包含的问题，这些问题在没有上下文的情况下不容易解释。开发一个模型来将会话问题重写为自包含的问题是行业环境中的一个新兴解决方案，因为它允许使用现有的单轮QA系统，以避免从头开始训练CQA模型。以前的工作训练重写模型使用人类重写作为监督。然而，这样的目标与QA模型是脱节的，因此更人性化的重写并不能保证更好的QA性能。在本文中，我们提出使用QA反馈来监督重写模型与强化学习。实验表明，我们的方法可以有效地提高QA性能的基线提取和检索QA。此外，人工评估表明，与人工注释相比，我们的方法可以生成更准确和详细的重写。
2022-10-31 cs.CL cs.IR
Rewriting Conversational Utterances with Instructed Large Language Models
University of Pisa（比萨大学）；ISTI-CNR（ISTI-CNR研究院）
本文研究了使用指令微调大型语言模型在对话环境中重写用户问题以提升对话搜索有效性，在TREC CAST数据集上的实验表明该方法在多项检索指标上较最先进技术取得显著提升。
2024-10-10 cs.AI cs.CL cs.HC
CHIQ: Contextual History Enhancement for Improving Query Rewriting in Conversational Search
Université de Montréal（蒙特利尔大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Renmin University of China（中国人民大学）
提出CHIQ两步法，利用开源LLMs在查询重写前解决对话历史歧义，在五个基准上取得SOTA结果，成为对话式搜索中替代闭源商业模型的有竞争力方案。
2024-09-26 cs.CL cs.IR
Adaptive Query Rewriting: Aligning Rewriters through Marginal Probability of Conversational Answers
The Chinese University of Hong Kong（香港中文大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出 AdaQR 框架，仅用约10%重写标注且无需段落标签，通过答案对 Top-K 段落的边际概率衡量检索器偏好，并用 DPO 优化重写器，提升领域内外 CQA 检索效果。
2024-06-16 cs.CL
CoQAR: Question Rewriting on CoQA
Orange Innovation（Orange创新研究院）
人类在对话中提出的问题通常包含上下文依赖性，即，明确或隐含地引用先前的对话轮。这些依赖关系采取共引用的形式（例如，通过代词使用）或省略号，并且可能使自动化系统难以理解。促进理解和后续处理问题的一种方法是将其重写为脱离上下文的形式，即，一种可以在没有会话背景的情况下理解的形式。我们提出CoQAR，一个语料库包含$4.5$ K会话数据集CoQA，共$53$ K后续问答对。每个原始问题都被手动注释了至少2次，最多3次断章取义的重写。CoQAR可用于三种任务的监督学习：问题释义、问题重写和会话问答。为了评估CoQAR重写的质量，我们进行了几个实验，包括训练和评估这三个任务的模型。我们的研究结果支持的想法，问题重写可以作为一个预处理步骤的问答模型，从而提高其性能。
2022-07-07 cs.CL
Conversational User-AI Intervention: A Study on Prompt Rewriting for Improved LLM Response Generation
Microsoft Corporation（微软公司）；University of Maryland（马里兰大学）
本文首次以LLM为中心研究真实人机对话，发现利用LLM重写次优用户提示词能保留用户意图并显著提升系统响应质量，该效果在长对话中更优，且广泛适用于不同领域和模型。
2025-06-25 cs.CL
Towards Self-Contained Answers: Entity-Based Answer Rewriting in Conversational Search
Università della Svizzera italiana（瑞士意大利语大学）；University of Stavanger（斯塔万格大学）
针对对话式搜索中回答依赖外部信息的问题，本文构建显著实体标注对话数据集，并提出行内定义与后续问题两种回答改写策略，实验表明改写回答更受用户偏好。
2024-03-04 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
Keeping the Questions Conversational: Using Structured Representations to Resolve Dependency in Conversational Question Answering
Macquarie University（麦考瑞大学）；The University of Adelaide（阿德莱德大学）
本文提出CONVSR框架，利用结构化中间表示作为对话线索来解析对话式问答中的隐式依赖，在QuAC和CANARD上取得优于标准问题重写模型的F1分数。
2023-04-14 cs.CL cs.IR
5IDER: Unified Query Rewriting for Steering, Intent Carryover, Disfluencies, Entity Carryover and Repair
Apple（苹果公司）
本文提出非自回归查询改写架构5IDER，统一处理转向、意图延续、不流利、实体延续和修复五类多轮对话用例及其组合，在参数量少15倍、延迟快25倍的情况下优于微调T5模型。
2023-06-02 cs.AI cs.CL cs.LG
Aligning Query Representation with Rewritten Query and Relevance Judgments in Conversational Search
Université de Montréal（蒙特利尔大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Renmin University of China（中国人民大学）；University of Copenhagen（哥本哈根大学）；Beijing Jiaotong University（北京交通大学）
本文提出QRACDR模型，通过将查询表示与改写查询及相关文档对齐，结合相关性判断训练查询表示模型，在八个数据集上显著提升了对话式搜索和ad-hoc搜索的性能。
2024-07-29 cs.CL cs.IR
TREC CAsT 2019: The Conversational Assistance Track Overview
University of Glasgow（格拉斯哥大学）；Microsoft Research（微软研究院）；Carnegie Mellon University（卡内基梅隆大学）
会话辅助轨道（CAST）是TREC 2019的一个新轨道，旨在促进会话信息搜索（CIS）研究，并为会话搜索系统创建大规模可重用的测试集合。文档语料库是来自TREC复杂答案检索（CAR）和微软机器阅读理解（MARCO）数据集的38，426，252个段落。80个信息寻求对话（30个训练，50个测试）平均有9到10个问题。为30个培训主题和20个测试主题提供相关性评估。今年，21个小组使用不同的对话查询理解和排名方法总共提交了65次运行。方法包括传统的基于检索的方法，基于特征的学习排名，神经模型和知识增强的方法。贯穿运行的一个共同主题是使用基于BERT的神经重排序方法。领先的方法还采用了文档扩展、会话查询扩展和用于会话查询重写的生成语言模型（GPT-2）。结果表明，自动系统和那些使用手动解决的话语之间的差距，与最好的自动系统相比，手动重写有35%的相对改善。
2020-03-30 cs.CL cs.IR cs.LG
Sifei at SemEval-2026 Task 8: Hybrid Retrieval and Query Rewriting for Multi-Turn RAG
Faculty of Computer Science HSE University（计算机科学系 高等经济大学）
提出无训练混合检索流水线，结合稠密与稀疏检索、查询重写和交叉编码器重排序，在Task A上nDCG@5达0.5453排名第三，Task C上相关性与忠实性调和均值0.5312排名第十五。
2026-06-05 cs.CL cs.IR
CompCQR: Compositional Query Generation for Training-Free Conversational Search
Seoul National University（首尔大学）；LG AI Research（LG AI研究院）
针对对话式搜索中查询歧义与检索器不对齐问题，提出免训练的组合式查询生成方法CompCQR，以最少LLM调用生成大量查询并构建高质量文档集，在四个基准上MRR相对提升高达22.5%。
2026-09-15 cs.AI cs.CL
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
MaFeRw: Query Rewriting with Multi-Aspect Feedbacks for Retrieval-Augmented Large Language Models
Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing（北京未来区块链与隐私计算高精尖创新中心）；Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）；Beijing Academy of Blockchain and Edge Computing（北京区块链与边缘计算研究院）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
本文提出MaFeRw方法，通过整合检索过程与生成结果的多方面密集反馈，并利用PPO算法优化查询重写策略，有效提升了对话式RAG系统的生成质量与训练稳定性。
2024-12-19 cs.CL
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
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
uva-irlab-conv at SemEval-2026 Task 8: Multi-Turn RAG with Learned Sparse Retrieval and Listwise Reranking
University of Amsterdam（阿姆斯特丹大学）
提出结合学习型稀疏检索与基于 LLM 的重排序和生成的多轮检索增强生成流水线，用于跨四个领域的对话系统，有效处理不可回答查询。
2026-06-11 cs.CL cs.IR
Learning to Select the Relevant History Turns in Conversational Question Answering
Macquarie University（麦考瑞大学）；The University of Adelaide（阿德莱德大学）
本文提出DHS-ConvQA框架，通过生成实体、相似度剪枝、注意力重排序及二元分类保留有用术语，动态选择会话式问答中的相关历史轮次，实验证明其优于问题重写且能避免无关上下文的负面影响。
2023-08-04 cs.AI cs.CL cs.IR
LawCompass: Navigating from Legal QA to Multi-Agent Deep Research with Grounded Evidence
Anhui University（安徽大学）；Tsinghua University（清华大学）
LawCompass是一个基于证据的法律助手，通过法律问答、专业检索和深度研究三种功能，实现从标准问答到多智能体深度研究的转变，并保持引用链接以增强可信度。
2026-10-02 cs.CL
Drift No More? Context Equilibria in Multi-Turn LLM Interactions
Adobe Research（Adobe研究院）
本研究提出了一种动态框架，通过KL散度和递归模型解释多轮交互中的上下文漂移，展示可控干预能有效减少漂移，表明漂移是可控均衡现象而非必然衰减。
2025-11-21 cs.AI cs.CL
Crisp: Cognitive Restructuring of Negative Thoughts through Multi-turn Supportive Dialogues
The CoAI Group, DCST, Tsinghua University（清华大学自动化研究所）；University of Pennsylvania（宾夕法尼亚大学）；Lingxin AI（灵犀AI）；Harvard Graduate School of Education, Harvard University（哈佛大学教育研究生院）；Department of Psychology and Behavioral Sciences, Zhejiang University（浙江大学心理学与行为科学系）；Fuxi AI Lab（伏羲AI实验室）
针对现有认知重构方法不符合心理治疗过程的问题，提出CRDial框架及Crisp数据集，训练7B和14B规模的对话式LLM Crispers，经人类研究验证其在多轮支持性对话中有效重构消极思维。
2025-04-24 cs.CL cs.HC
GraphIF: Enhancing Multi-Turn Instruction Following for Large Language Models with Relation Graph Prompt
Zhenhe Li 1（李振和1）；Can Lin 1（林灿1）；Ling Zheng 1（郑凌1）；Wen-Da Wei 2（韦文达2）；Junli Liang 1（梁俊利1）；Qi Song 1（宋琪1）
GraphIF通过构建关系图结构，利用图提示提升大语言模型的多轮指令遵循能力，实验表明其在多轮对话评估指标上表现优异。
2026-01-15 cs.CL
