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
A Surprisingly Simple yet Effective Multi-Query Rewriting Method for Conversational Passage Retrieval
针对会话式段落检索中的上下文依赖问题，提出利用神经查询重写器和束搜索算法生成多查询并高效集成至检索流程，在稀疏与密集检索中均达到最优性能且不牺牲效率。
2024-06-27 cs.IR
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
Masking or Mitigating? Deconstructing the Impact of Query Rewriting on Retriever Biases in RAG
Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校赛贝尔计算与数据科学学院）；Adobe Research（Adobe研究院）；Inception Labs；Indian Institute of Science（印度科学研究所）
本文研究查询重写技术对RAG系统中检索偏见的影响，发现简单LLM重写能显著降低偏见，但对抗条件下效果受限。分析揭示两种机制：简单重写通过增加分数方差降低偏见，伪文档生成通过真实去相关性降低偏见。
2026-04-20 cs.IR
Relevance Matters: A Multi-Task and Multi-Stage Large Language Model Approach for E-commerce Query Rewriting
Tsinghua University（清华大学）；JD.com, Beijing, China（京东）
本文提出一种基于多任务和多阶段的大型语言模型方法，用于提升电子商务查询重写的相关性和用户转化效果。
2026-03-03 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
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
Agent4Ranking: Semantic Robust Ranking via Personalized Query Rewriting Using Multi-agent LLM
本文提出Agent4Ranking框架，利用多智能体大语言模型模拟不同人口统计群体进行查询改写，并结合鲁棒MMoE架构与混合损失函数，增强排序模型对多样化查询表述的鲁棒性。
2023-12-24 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
RL-based Query Rewriting with Distilled LLM for online E-Commerce Systems
针对电商搜索中查询重写面临的效率与效果平衡问题，提出结合离线知识蒸馏与在线强化学习的混合流水线，利用大语言模型模拟人类反馈，在Amazon ESCI数据集上显著提升查询相关性、多样性和适应性。
2025-06-10 cs.IR
ReCQR: Incorporating conversational query rewriting to improve Multimodal Image Retrieval
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ReCQR任务，通过构建多轮对话查询重写数据集，提升多模态图像检索的准确性和用户查询建模能力。
2026-01-19 cs.AI cs.IR cs.LG
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
IterCQR: Iterative Conversational Query Reformulation with Retrieval Guidance
本文提出IterCQR，利用IR信号作为奖励迭代训练CQR模型，在无需人工改写的情况下生成上下文完备的独立查询，并在多个数据集及低资源、跨数据集泛化场景中取得SOTA效果。
2024-04-08 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
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
ReFeed: Retrieval Feedback-Guided Dataset Construction for Style-Aware Query Rewriting
MODULABS；Samsung SDS（三星SDS）；Dable；MIRI D.I.H Co., Ltd.；Lomin
ReFeed通过检索反馈驱动数据集构建，提升查询重写模型对文档风格的感知能力，改进领域特定场景下的检索效果。
2026-03-02 cs.IR
Counterfactual Query Rewriting to Use Historical Relevance Feedback
本文提出利用历史相关性反馈反事实地重写查询，通过词项扩展或生成关键查询，在 CLEF LongEval 中提升检索效果并优于昂贵的 transformer 方法。
2025-02-06 cs.IR
Answer-Reconstruction Search Density: Measuring the Query and Source Work Compressed by Conversational Answers
Aiso
研究对话系统答案压缩的搜索工作量，定义答案重构搜索密度（\ARSD）来衡量所需查询操作数，通过并行页面密度度量区分查询与源文档压缩，为量化对话答案的搜索工作提供新方法。
2026-07-22 cs.IR
Zero-shot Query Contextualization for Conversational Search
当前的会话段落检索系统通过使用将用户的问题置于会话的上下文中的中间查询解析步骤来将会话搜索转换为自组织搜索。虽然所提出的方法已被证明是有效的，但它们仍然假设大规模问题解决和会话搜索数据集的可用性。为了免除对这些数据的可用性的依赖，我们在ad-hoc搜索数据上调整了一个预先训练的令牌级密集检索器来执行会话搜索，而无需额外的微调。所提出的方法允许在会话历史中上下文化用户问题，但仅限制问题和潜在答案之间的匹配。我们的实验证明了所提出的方法的有效性。我们还进行了分析，提供了如何在潜在的空间语境化工程的见解，在本质上介绍了从对话中突出的条款的偏见。
2022-04-22 cs.IR
Faithful Query Resolution for Conversational Search
University of Passau（帕绍大学）；University of Stavanger（斯塔万格大学）
本文在iKAT SCAI 2026评估设置下，研究会话搜索中查询忠实度与检索广度的相互作用，提出加权倒数秩融合方法，其nDCG@5达0.534，相对提升5.3%，但检索优势未对应最高会话满意度，需分离忠实解析与检索扩展。
2026-10-14 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
RaFe: Ranking Feedback Improves Query Rewriting for RAG
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）；Nanjing University（南京大学）
本文提出RaFe框架，利用公开重排序器的反馈训练查询重写模型，无需标注，提升RAG性能。
2024-05-23 cs.AI cs.CL cs.IR
Context-Aware Query Rewriting for Improving Users' Search Experience on E-commerce Websites
Georgia Institute of Technology（佐治亚理工学院）；Amazon（亚马逊）
电子商业查询通常简短而模糊。因此，查询理解通常使用查询重写来消除用户输入查询的歧义。在使用电子商业搜索工具时，用户倾向于在购买之前输入多个搜索，我们称之为上下文。这些历史搜索包含关于用户真实购物意图的上下文洞察。因此，建模这样的上下文信息是一个更好的查询重写模型的关键。然而，现有的查询重写模型忽略了用户的历史行为，只考虑即时搜索查询，这往往是一个简短的字符串提供有限的信息，真正的购物意图。我们提出了一个端到端的上下文感知查询重写模型来弥补这一差距，它考虑到搜索上下文。具体来说，我们的模型使用历史搜索查询及其包含的单词构建会话图。然后，我们采用一个图形注意力机制，模型的交叉查询关系和计算上下文信息的会话。该模型随后通过使用聚合网络将上下文信息与即时搜索查询组合来计算会话表示。会话表示然后被解码以生成重写的查询。从经验上讲，我们证明了我们的方法的优越性，以国家的最先进的方法在各种指标。在来自在线购物平台的内部数据上，通过引入上下文信息，与最佳基线方法（基于transformer的模型）相比，我们的模型在MRR（平均倒数排名）指标下实现了11.6%的改进，在HIT@16指标（命中率指标）下实现了20.1%的改进。
2022-09-24 cs.IR cs.LG
Exploiting Simulated User Feedback for Conversational Search: Ranking, Rewriting, and Beyond
针对对话式搜索系统缺乏用户交互数据、难以整合用户反馈的问题，本研究提出基于ConvSim用户模拟器的多轮交互框架，实验证实反馈可显著提升检索性能，并发布3万余条交互转录数据以支持后续研究。
2023-05-07 cs.HC cs.IR
Large Language Model based Long-tail Query Rewriting in Taobao Search
针对淘宝搜索长尾查询的语义鸿沟与少召回问题，提出 BEQUE 框架，通过多指令 SFT、离线反馈偏序和对比目标对齐训练 LLM 改写查询，显著提升 GMV、#Trans 和 UV 并已上线。
2024-03-04 cs.IR
Query Rewriting via Cycle-Consistent Translation for E-Commerce Search
JD.com Silicon Valley Research Center（京东硅谷研究中心）
如今，电子商业搜索已经成为许多人购物常规中不可或缺的一部分。当今电子商业搜索中的一个关键挑战是语义匹配问题，其中相关项目可能不包含用户查询中的确切术语。在本文中，我们提出了一种新的基于深度神经网络的查询重写方法，以解决这个问题。具体来说，我们制定查询重写成一个循环的机器翻译问题，利用丰富的点击日志数据。然后，我们引入了一种新的循环一致性训练算法，结合最先进的机器翻译模型，以实现查询重写精度方面的最佳性能。为了使其在工业场景中实用，我们优化了语法树的构造，以减少计算成本和在线服务延迟。离线实验表明，该方法能够将硬用户查询重写为更适合倒排索引检索的标准查询。与基于人工规则的方法相比，该模型在保持良好相关性的同时，显著提高了查询重写的多样性。在线A/B实验表明，它提高了核心电子商业业务指标显着。自2020年夏季以来，该模型已被引入我们的搜索引擎生产中，为数亿用户提供服务。
2021-05-28 cs.IR cs.LG
Augmenting Ad-Hoc IR Dataset for Interactive Conversational Search
本文提出一种从即席信息检索数据集自动构建大规模对话式信息检索数据集的方法，通过生成查询澄清交互和模拟交互增强MsMarco，实验验证了其可行性和有效性。
2023-11-10 cs.IR
Context Aware Query Rewriting for Text Rankers using LLM
L3S Research Institute（L3S研究所）；Delft University of Technology（代尔夫特理工大学）；University of Stavanger（斯塔万格大学）
本文提出上下文感知查询重写（CAR）方法，在训练阶段利用LLM重写模糊查询，微调排序器，在段落和文档排序任务上分别提升高达33%和28%。
2023-08-31 cs.AI cs.IR
DMQR-RAG: Diverse Multi-Query Rewriting for RAG
Renmin University of China（中国人民大学）；Southeast University（东南大学）；Beijing Jiaotong University（北京交通大学）；Kuaishou Technology（快手科技）
本文提出DMQR-RAG框架，通过四种不同信息层级的多查询重写策略和自适应策略选择方法，在最小化重写次数的同时提升RAG检索与响应性能，并在学术与工业场景中验证了有效性。
2024-11-20 cs.AI cs.IR
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
Pre-Training for Query Rewriting in A Spoken Language Understanding System
Drexel University（德雷塞尔大学）；College of Computing & Informatics（计算与信息学院）；Amazon.com, Inc.（亚马逊公司）
查询重写（QR）是一种越来越重要的技术，用于减少由口语语言理解流水线中的错误引起的客户摩擦，其中错误源自各种来源，诸如语音识别错误、语言理解错误或实体解析错误。在这项工作中，我们首先提出了一种基于神经检索的查询重写方法。然后，受预先训练的上下文语言嵌入的广泛成功的启发，也作为补偿QR训练数据不足的一种方式，我们提出了一种基于语言建模（LM）的方法，用语音助手对历史用户会话数据进行预训练查询嵌入。此外，我们建议使用由语言理解系统生成的NLU假设来增强预训练。我们的实验表明，预训练提供了丰富的先验信息，并帮助QR任务实现强大的性能。我们还表明，联合预训练与NLU假设有进一步的好处。最后，在预训练之后，我们发现一小组重写对足以通过对所有QR训练数据进行全面训练来微调QR模型，以超越强基线。
2020-02-13 cs.CL cs.IR
Improving Neural Retrieval with Attribution-Guided Query Rewriting
IRIT, UMR5505 CNRS Université Toulouse Capitole（IRIT，CNRS 5505 机构，图卢兹大学）；IRIT, UMR5505 CNRS UT2J, Université de Toulouse（IRIT，CNRS 5505 机构，图卢兹大学）
本文提出归因引导的查询重写方法，通过标记级解释指导LLM澄清模糊查询，提升神经检索效果。
2026-02-12 cs.AI cs.IR cs.LG
CTR-Guided Generative Query Suggestion in Conversational Search
本文提出GQS框架，通过多源CTR建模、CTR加权DPO偏好对齐和迭代优化，在对话式搜索中生成兼顾相关性与多样性的查询建议，实验证明其在CTR、相关性和多样性上优于基线。
2025-07-05 cs.IR
Simrank++: Query rewriting through link analysis of the click graph
我们专注于赞助搜索的查询重写问题。我们基于历史点击图进行重写，该图记录了响应过去用户查询而点击的广告。给定查询q，我们首先考虑Simrank作为识别与q类似的查询的方式，即，查询用户可能对哪些广告感兴趣。我们认为，Simrank未能正确识别我们的应用程序中的查询相似性，我们提出了两个增强版本的Simrank：一个利用点击图边缘的权重，另一个利用``证据。我们通过实验评估我们的新方案，使用实际的点击图和来自雅虎的查询，and using运用a variety品种of metrics指标.我们的结果表明，增强的方法可以产生更多，更好的查询重写。
2007-12-04 cs.DB cs.DL cs.IR
Generating Multi-Aspect Queries for Conversational Search
针对对话式搜索中单次查询改写无法覆盖复杂话语信息需求的问题，提出利用LLM生成多方面查询的MQ4CS框架，在5个CIS数据集上验证了性能优势，nDCG@3最高提升85%，并公开相关代码与数据集。
2024-10-31 cs.IR
CardRewriter: Leveraging Knowledge Cards for Long-Tail Query Rewriting on Short-Video Platforms
GSAI, Renmin University of China（GSAI，中国人民大学）
针对短视频平台长尾查询重写问题，提出基于LLM的CardRewriter框架，通过构建多源知识卡片引导模型生成有效重写，经两阶段训练优化后部署于快手，显著提升了检索与点击指标。
2025-10-11 cs.CL cs.IR
Generalized Pseudo-Relevance Feedback
针对传统伪相关反馈依赖两大假设、现有生成式方法存在幻觉或仍依赖相关性假设的问题，提出结合强化学习效用导向训练的广义伪相关反馈框架，实现无模型、低相关性假设依赖的鲁棒查询重写，在多基准上性能优于强基线。
2025-10-29 cs.IR
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
Read the Docs Before Rewriting: Equip Rewriter with Domain Knowledge via Continual Pre-training
针对专业领域查询重写模型因领域知识有限导致性能不足的问题，提出R&R重写器，通过专业文档持续预训练并结合监督微调，有效弥合查询与文档措辞差异，推动RAG-based QA系统在专业领域的应用。
2025-11-12 cs.IR
Passage Query Methods for Retrieval and Reranking in Conversational Agents
本文针对TREC iKAT赛道，扩展Generate-Retrieve-Generate流水线并提出两种段落查询方法（加权重排序和长短段落），利用Meta Llama模型提升对话式信息检索中的查询-文档匹配，其长短段落方法表现优于基线且媲美GPT-4系统。
2025-02-28 cs.IR
IRLab@iKAT24: Learned Sparse Retrieval with Multi-aspect LLM Query Generation for Conversational Search
University of Amsterdam（阿姆斯特丹大学）
本文研究对话式搜索中的查询重写，提出基于MQ4CS框架的多维度LLM查询生成方法，并结合SPLADE学习型稀疏检索与交叉编码器重排序，在iKAT 2024任务中验证了该方法能有效提升检索性能并超越人工重写效果。
2024-11-22 cs.CL cs.IR
Caraman at SemEval-2026 Task 8: Three-Stage Multi-Turn Retrieval with Query Rewriting, Hybrid Search, and Cross-Encoder Reranking
Babeş-Bolyai University（巴贝什-波雅伊大学）
本文提出了一种三阶段多轮检索方法，结合查询重写、混合搜索和交叉编码器重排序，通过温度调优提升领域特定性能，达到nDCG@5 0.531的排名。
2026-05-12 cs.CL cs.IR
Domain Adaptation for Dense Retrieval and Conversational Dense Retrieval through Self-Supervision by Meticulous Pseudo-Relevance Labeling
提出结合查询生成与自监督伪相关标注（使用T5-3B和困难负例）的方法，实现密集检索及对话密集检索的领域自适应，实验证明微调后基线模型性能提升。
2024-03-13 cs.IR
Leveraging Query Resolution and Reading Comprehension for Conversational Passage Retrieval
University of Amsterdam（阿姆斯特丹大学）；Apple Inc.（苹果公司）
本文介绍了UvA.ILPS集团参加TREC CAST 2020的情况。我们的段落检索管道包括（i）使用BM 25的初始检索模块，以及（ii）将BERT排名模型的得分与针对段落检索调整的机器理解模型的得分相结合的重新排名模块。会话段落检索中的一个重要挑战是查询通常是指定不足的。因此，我们执行查询解析，即使用QuReTeC（术语分类查询解析模型）将会话历史中缺失的上下文添加到当前回合查询中。我们表明，我们最好的自动和手动运行优于相应的中位数运行了很大的保证金。
2021-02-17 cs.CL cs.IR
Few-Shot Conversational Dense Retrieval
稠密检索（DR）通过在学习的嵌入空间中进行匹配，有可能解决会话搜索中的查询理解挑战。然而，由于DR模型对监督信号的额外需求和会话搜索的长尾性质，这种适应是具有挑战性的。在本文中，我们提出了一个会话的稠密检索系统，ConvDR，学习上下文嵌入多轮会话查询和检索文件只使用嵌入点积。此外，我们授予ConvDR Few-Shot能力使用教师-学生框架，在那里我们采用一个特设的密集检索器作为教师，继承其文档编码，并学习学生查询编码器模仿教师嵌入Oracle重构查询。我们在TREC CAST和OR-QuAC上的实验证明了ConvDR在Few-Shot和完全监督设置中的有效性。它优于以前在稀疏词空间中操作的系统，匹配Oracle查询重构的检索精度，并且由于其简单性而更高效。我们的分析表明，ConvDR的优势来自于它能够捕捉信息上下文，而忽略了不相关的上下文在以前的会话轮。这使得ConvDR随着对话的发展而变得更有效，而之前的系统可能会被之前回合增加的噪音所迷惑。我们的代码可在https://github.com/thunlp/ConvDR上公开获取。
2021-05-19 cs.IR
Graph Meets LLM: A Novel Approach to Collaborative Filtering for Robust Conversational Understanding
Amazon Alexa AI（亚马逊Alexa人工智能部门）
本文提出协同查询重写方法，通过构建用户反馈交互图并利用多跳遍历和LLM增强索引，以处理未见查询，提升对话系统的稳健性。
2023-06-19 cs.AI cs.IR cs.LG
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
Better Together: Complementary Query Rewriting Under a Strong RAG Baseline
ServiceNow
本研究证明查询改写应作为强RAG基线的互补覆盖源，通过成本感知路由组合多种策略，在企业数据上提升HIT@10达12.5点，而非独立替代基线。
2026-09-10 cs.CL cs.IR
Query Resolution for Conversational Search with Limited Supervision
University of Amsterdam（阿姆斯特丹大学）；Ahold Delhaize（皇家阿霍德德尔海兹集团）
在这项工作中，我们专注于多轮通道检索会话搜索的一个重要组成部分。多转向段落检索的一个关键挑战来自于这样一个事实，即当前转向查询往往是欠指定的，由于零回指，主题变化，或主题返回。来自会话历史的上下文可以被用来达到当前回合查询的更好表达，其被定义为查询解析的任务。在本文中，我们将查询解析任务建模为二元术语分类问题：对于出现在前几轮对话中的每个术语，决定是否将其添加到当前回合查询中。我们提出了QuReTeC（Query Resolution by Term Classification），这是一个基于双向Transformers的神经查询解析模型。提出了一种利用查询通道相关标签自动生成训练数据的远程监督方法。这样的标签通常在集合中很容易作为人类注释或从用户交互中推断出来。我们表明，QuReTeC优于国家的最先进的模型，而且，我们的远程监督方法可以用来大大减少人类策划的数据量所需的训练QuReTeC。我们将QuReTeC在一个多回合，多阶段的通道检索架构，并证明其有效性的TREC CAST数据集。
2020-05-24 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
When & How to Write for Personalized Demand-aware Query Rewriting in Video Search
Weixin Group, Tencent（腾讯微信事业群）
本文提出WeWrite框架，通过自动化后验挖掘策略、混合训练范式和并行'假召回'架构，提升视频搜索查询重写效果，提高点击视频量1.07%并降低查询重写率2.97%。
2026-04-10 cs.CV cs.IR cs.LG
Analysing Mixed Initiatives and Search Strategies during Conversational Search
University of Amsterdam（阿姆斯特丹大学）；University of Strathclyde（思克莱德大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Microsoft（微软）
用户和会话搜索代理之间的信息搜索会话由多轮交互组成。当用户发起搜索会话时，理想情况下，CSA有时应该通过提供查询建议或要求查询澄清（即混合主动性）来获得用户的反馈，从而在对话中发挥主导作用。这创造了更吸引人的对话搜索的潜力，但由于大的交互空间加上不同交互的成本和收益之间的权衡，大大增加了建模和评估此类场景的复杂性。在本文中，我们提出了一个对话搜索模型-从我们实例化不同的观察到的对话搜索策略，其中代理elections：（i）反馈第一，或（ii）反馈后。使用49个TREC WebTrack主题，我们进行了一项分析，比较这些不同的策略与不同的混合主动方法的结合程度：（i）查询建议与（ii）查询澄清。我们的分析表明，没有优越或占主导地位的组合，相反，它表明，查询澄清是更好的时候问第一，而查询建议是更好的时候，提出结果后。我们还表明，最好的策略和方法取决于查询和反馈之间的相对成本，初始查询的性能，每个查询的评估数量，以及所需的总收益之间的权衡。虽然这项工作突出了分析CSA所涉及的复杂性和挑战，但它为在批处理/离线设置中评估会话策略和会话搜索代理提供了基础。
2021-09-13 cs.CL cs.HC cs.IR
History-Aware Conversational Dense Retrieval
University of Montreal（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）；Beihang University（北京航空航天大学）；University of Copenhagen（哥本哈根大学）；Beijing Jiaotong University（北京交通大学）
提出历史感知的对话式稠密检索系统，通过上下文去噪查询重构和自动挖掘监督信号，提升长对话及话题转移场景下的历史建模能力。
2024-05-28 cs.CL cs.IR
ChatRetriever: Adapting Large Language Models for Generalized and Robust Conversational Dense Retrieval
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Université de Montréal（蒙特利尔大学）；Beijing Academy of Artificial Intelligence（北京人工智能研究院）；Waseda University（早稻田大学）
本文提出ChatRetriever，通过对比学习与掩码指令微调的双学习方法适配大型语言模型，显著提升了多轮会话密集检索的性能与鲁棒性，达到最新水平。
2024-04-21 cs.CL cs.IR
