Learnable Embedding Space for Efficient Neural Architecture Compression
Peking University（北京大学）；Carnegie Mellon University（卡内基梅隆大学）
我们提出了一种方法来增量学习嵌入空间域的网络架构，使仔细选择的架构进行评估，在压缩架构搜索。给定一个教师网络，我们使用贝叶斯优化（BO）搜索一个压缩的网络架构，并在我们提出的嵌入空间上定义一个核函数来选择用于评估的架构。我们证明了我们的搜索算法可以显著优于各种基线方法，例如随机搜索和强化学习（Ashok et al.，2018年）。通过我们的方法发现的压缩架构也优于最先进的手动设计的紧凑架构ShuffleNet（Zhang等人，2018年）。我们还证明了学习的嵌入空间可以转移到新的架构搜索设置，例如更大的教师网络或不同架构家族中的教师网络，而无需任何训练。代码可在此处公开获取：https://github.com/Friedrich1006/ESNAC。
2019-04-25 cs.CV cs.LG
Towards Code-Oriented LM Embeddings for Surrogate-Assisted Neural Architecture Search
Georgia Institute of Technology（佐治亚理工学院）；Georgia Tech Research Institute（佐治亚理工研究 institute）
本文提出一种低成本的代码导向语言模型嵌入策略，利用语言模型的归纳偏置，无需微调即可生成高效的架构特征提取器，实验证明其在NAS-Bench-201和einspace搜索空间中优于其他编码方式。
2026-05-15 cs.LG cs.NE
EmProx: Neural Network Performance Estimation For Neural Architecture Search
Eindhoven University of Technology（埃因霍温理工大学）
通用神经架构搜索方法生成大量需要训练的候选架构，以评估其性能并找到最佳架构。为了最小化搜索时间，我们使用不同的性能估计策略。这些策略的有效性在准确性、拟合度和查询时间方面各不相同。本研究提出了一种新的方法，EmProx评分（嵌入邻近度评分）。类似于神经架构优化（NAO），该方法使用编码器-解码器框架将候选架构映射到连续的嵌入空间。然后，使用基于性能已知的架构的嵌入向量的加权kNN来估计候选者的性能。该方法的性能估计在精度方面与NAO中使用的MLP性能预测器相当，而与NAO相比，训练的速度快近9倍。与目前使用的其他性能估计策略进行基准测试，结果显示出类似的更好的准确性，同时速度快了5到80倍。
2022-06-13 cs.LG
Location Matters: Leveraging Multi-Resolution Geo-Embeddings for Housing Search
QuintoAndar
针对住房平台推荐中的数据稀疏与空间差异问题，提出融合多层H3网格的双塔地理感知嵌入框架，实验验证其嵌入质量更优，推荐效果较基线和单分辨率版本显著提升。
2025-09-01 cs.IR cs.LG
Continuous Optimization for Feature Selection with Permutation-Invariant Embedding and Policy-Guided Search
University of Kansas（堪萨斯大学）；University of Central Florida（中央佛罗里达大学）；Arizona State University（亚利桑那州立大学）
本文提出一种基于排列不变嵌入和策略引导搜索的连续优化特征选择框架，通过编码器-解码器范式和强化学习方法解决特征子集嵌入中的排列敏感性和凸性假设问题。
2026-02-27 cs.AI cs.LG
OmniSearchSage: Multi-Task Multi-Entity Embeddings for Pinterest Search
Pinterest（品趣志）
OmniSearchSage通过联合学习统一查询嵌入及pin和产品嵌入，结合多任务学习与实时服务，在Pinterest搜索系统中显著提升了相关性、互动率和广告点击率，并已大规模部署。
2024-04-25 cs.AI cs.IR cs.LG
Hierarchical and Permutation-Invariant Feature Transformation Learning via Policy-Guided Embedding Search
University of Kansas（堪萨斯大学）；Southwest University of Finance and Economics（西南财经大学）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；University of Auckland（奥克兰大学）；Arizona State University（亚利桑那州立大学）；Northeast Normal University（东北师范大学）
针对表格数据特征变换中的层次关系缺失、置换不变性偏差及梯度搜索不适配问题，提出置换不变分层模块与策略引导多目标强化学习框架，提升预测性能与效率。
2026-09-10 cs.AI cs.LG
Que2Engage: Embedding-based Retrieval for Relevant and Engaging Products at Facebook Marketplace
Meta；University of California, Merced（加州大学默塞德分校）
电子商务搜索中的基于嵌入的检索（EBR）是一种强大的搜索检索技术，用于解决搜索查询和产品之间的语义匹配。然而，像Facebook Marketplace Search这样的商业搜索引擎是针对多个业务目标进行优化的复杂多阶段系统。在Facebook Marketplace，搜索检索侧重于将搜索查询与相关产品相匹配，而搜索排名则更强调上下文信号，以提升更具吸引力的产品的排名。因此，端到端的体验是相关性和参与度的函数，以及系统不同阶段之间的交互。这对EBR系统提出了挑战，以便优化更好的体验。在本文中，我们提出了Que 2 Engage，搜索EBR系统建立在缩小检索和排名之间的差距，端到端的优化。Que 2 Engage采用多模态和多任务方法，将上下文信息注入检索阶段，并平衡不同的业务目标。我们通过多任务评估框架和彻底的基线比较和消融研究显示了我们方法的有效性。Que 2 Engage部署在Facebook Marketplace Search上，并在两周的A/B测试中显示出显著的改进。
2023-02-21 cs.AI cs.IR cs.LG
Smart Multi-Modal Search: Contextual Sparse and Dense Embedding Integration in Adobe Express
Adobe（奥多比公司）
本文提出一种集成稀疏、稠密嵌入与上下文特征的多模态搜索架构，通过AB测试优化Adobe Express模板搜索，显著降低空结果率超70%并提升点击率，增强了复杂查询相关性。
2024-08-29 cs.AI cs.CL cs.CV
Smooth Variational Graph Embeddings for Efficient Neural Architecture Search
University of Mannheim（曼海姆大学）；University of Freiburg（弗莱堡大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）
神经结构搜索（NAS）最近已经从各个方向得到解决，包括离散的，基于采样的方法和有效的可微方法。虽然前者是出了名的昂贵，后者遭受强加强约束的搜索空间。来自学习的嵌入空间的架构优化（例如通过基于图神经网络的变分自编码器）建立了中间立场并利用了来自双方的优点。这种方法最近在几个基准测试中表现出良好的性能。然而，它们的稳定性和预测能力在很大程度上取决于它们从嵌入空间重构网络的能力。在本文中，我们提出了一个双边变分图自动编码器，它允许从各种搜索空间平滑地编码和准确地重建神经架构。我们评估所提出的方法定义的ENAS方法，NAS-Bench-101和NAS-Bench-201搜索空间的神经架构，并表明我们的平滑嵌入空间允许直接外推的性能预测看到域以外的架构（例如，更多的操作）。因此，即使没有昂贵的贝叶斯优化或强化学习，它也有助于预测良好的网络架构。
2021-05-12 cs.AI cs.CV cs.LG
Fast and Scalable Gene Embedding Search: A Comparative Study of FAISS and ScaNN
Department of Electrical and Computer Engineering, Drexel University, Philadelphia, USA（电气与计算机工程系，德雷塞尔大学，费城，美国）
本文针对大规模基因序列相似性搜索，系统比较 FAISS 与 ScaNN 在生物信息学基因嵌入上的效率和检索质量，证明其可作为传统比对工具的高效替代方案。
2025-07-22 cs.AI cs.LG q-bio.GN
Multilingual De-Duplication Strategies: Applying scalable similarity search with monolingual & multilingual embedding models
BCG Plantinion；European Central Bank（欧洲中央银行）；DSTI School of Engineering（DSTI 工程学院）
该研究针对多语言文本去重问题，对比了翻译后用mpnet嵌入的两步法与distiluse多语言嵌入模型，发现两步法F1分数更高且可借专家规则提升，同时指出相关局限并给出改进方向。
2024-06-19 cs.AI
Search-R3: Unifying Reasoning and Embedding in Large Language Models
The Chinese University of Hong Kong（香港中文大学）
Search-R3通过统一推理与嵌入生成过程，提升大型语言模型在检索任务中的性能，采用监督学习、强化学习和专用环境机制实现有效嵌入生成。
2026-04-09 cs.AI cs.CL
Belief Embedding Tree Search
University of Alberta（阿尔伯塔大学）；Charles University（查理大学）；EquiLibre Technologies, Inc.（EquiLibre科技公司）；Alberta Machine Intelligence Institute (Amii)（阿尔伯塔机器智能研究所）
本研究提出信念嵌入树搜索（BETS），一种用生成式分布嵌入表示信念的蒙特卡洛规划器，在RockSample等6种POMDP任务上，BETS优于BetaZero等基线规划器，尤其在高维信念场景表现突出。
2026-10-14 cs.AI cs.LG
Bib2vec: An Embedding-based Search System for Bibliographic Information
Computational Intelligence Laboratory（计算智能实验室）；Toyota Technological Institute（丰田工业大学）
本文提出了一种新的嵌入模型，该模型能够以较高的表示能力和灵活性来表示书目信息中多个元素之间的关系。基于这个模型，我们提出了一个新的搜索系统，显示在ACL选集参考语料库中的元素之间的关系。评估结果表明，我们的模型可以实现较高的预测能力，并产生合理的搜索结果。
2018-04-05 cs.AI cs.CL cs.IR
Effective Distributed Representations for Academic Expert Search
University of Amsterdam（阿姆斯特丹大学）；Zeta Alpha Vector（泽塔阿尔法向量公司）
专家搜索旨在根据用户的查询查找专家并对其进行排名。在学术界，检索专家是浏览大量学术知识的有效方法。在这里，我们研究如何不同的分布式表示的学术论文（即嵌入）影响学术专家检索。我们使用Microsoft Academic Graph数据集，并对以文档为中心的投票模型的不同配置进行了实验。特别是，我们探讨了使用上下文嵌入对搜索性能的影响。我们还介绍了通过改造纳入引用信息的论文嵌入的结果。此外，实验进行了使用不同的技术分配作者的权重的基础上，作者顺序。我们观察到，使用上下文嵌入由一个Transformer模型训练句子相似性任务产生最有效的文件表示为中心的专家检索。然而，改造论文嵌入和使用精心设计的作者贡献加权策略并没有提高检索性能。
2020-10-16 cs.AI cs.CL cs.IR
VectorSearch: Enhancing Document Retrieval with Semantic Embeddings and Optimized Search
University of Washington（华盛顿大学）
针对传统文档检索难以捕捉语义细微差别及高维度语义鸿沟问题，提出VectorSearch，利用先进算法、嵌入、多向量搜索和语言模型编码，显著提升检索准确性，在大规模任务中优于基线。
2024-09-25 cs.AI cs.DB cs.IR
Unified Embedding Based Personalized Retrieval in Etsy Search
Etsy Inc.（Etsy公司）
本文提出一种融合图、transformer和词项嵌入的端到端统一嵌入模型，用于解决Etsy产品搜索中的语义鸿沟和个性化检索问题，显著提升了搜索购买率和全站转化率。
2024-09-25 cs.AI cs.IR
Relation-aware Ensemble Learning for Knowledge Graph Embedding
Tsinghua University（清华大学）；Paradigm Inc.（第四范式公司）；Tencent YouTu Lab（腾讯优图实验室）
本文提出关系感知集成学习框架RelEns-DSC，通过分治合并算法独立搜索关系级权重，在保持计算成本的同时提升知识图谱嵌入性能，并在基准数据集上达到最先进水平。
2023-10-13 cs.AI cs.CL cs.LG
SGPT: GPT Sentence Embeddings for Semantic Search
Peking University（北京大学）
解码器Transformers的规模不断增加，达到数千亿个参数。由于它们的规模，相同的解码器通过提示或微调在各种语言任务上设置最先进的结果。然而，这些大的基础模型仍然无法用于语义搜索和句子嵌入的相关领域。这可能会阻止新的最先进的结果，并迫使组织训练和维护单独的模型。为此，我们建议SGPT使用解码器的句子嵌入和语义搜索通过提示或微调。在58亿个参数上，SGPT比以前最好的句子嵌入提高了7%，并且在BEIR搜索基准上测量时优于具有1750亿个参数的并发方法。代码、模型和结果文件可在https://github.com/Muennighoff/sgpt上免费获得。
2022-08-05 cs.AI cs.CL cs.IR
Modernizing Facebook Scoped Search: Keyword and Embedding Hybrid Retrieval with LLM Evaluation
Meta
本文提出一种现代化Facebook Group Scoped Search框架，通过融合关键词与嵌入检索（EBR）提升搜索相关性与多样性，并引入基于LLM的离线评估框架，经在线指标验证显著提升了用户参与度和搜索质量。
2025-09-17 cs.AI cs.IR
ATLAS: Scaffold-Free Algorithm Synthesis by LLMs via Embedding-Guided Quality-Diversity Search
ATLAS是基于LLM的无支架全算法合成框架，通过嵌入引导质量多样性搜索解决全算法设计空间问题，在NP难问题上优于相关基线，可保留不同区域的多类算法。
2026-08-19 cs.AI cs.NE
Integrity and Junkiness Failure Handling for Embedding-based Retrieval: A Case Study in Social Network Search
Meta Platforms, Inc（元平台公司）
本文针对社交网络搜索中基于嵌入检索的相关性不可控问题，定义了完整性和垃圾结果两类故障，并提出索引处理与定向用户群体处理等推理阶段方法，通过离线NDCG和在线A/B测试验证了其有效性。
2023-04-18 cs.AI cs.IR
Learning Embeddings that Capture Spatial Semantics for Indoor Navigation
Carnegie Mellon University（卡内基梅隆大学）；University of Washington, Seattle（西雅图华盛顿大学）；University of California, Berkeley（加州大学伯克利分校）
在搜索和导航任务中验证特定领域的先验知识，在提高端到端训练策略的泛化和样本复杂性方面显示出了有希望的结果。在这项工作中，我们研究如何捕捉空间语义先验的对象嵌入可以引导搜索和导航任务在结构化的环境。我们知道，人类可以根据检测到的更大物体的空间语义来搜索一本书或一个看不见的房子里的盘子。例如，一本书可能在书架或桌子上，而一个盘子可能在橱柜或洗碗机里。我们提出了一种方法，利用预先训练的语言模型和多关系知识库作为对象嵌入，将这种空间语义意识的机器人。我们演示使用这些对象嵌入搜索查询对象在一个看不见的室内环境。我们在室内模拟器（AI2Thor）中测量这些嵌入的性能。我们进一步评估了不同的预训练嵌入成功率（SR）和路径长度（SPL）加权的成功率。
2021-07-31 cs.AI cs.RO
Evaluating Embedding Models and Pipeline Optimization for AI Search Quality
Cisco Systems, Inc.（思科系统公司）
本文评估了不同嵌入模型和管道配置对AI搜索质量的影响，发现高维嵌入和神经重新排序器能显著提升检索准确性。
2025-11-27 cs.AI cs.IR
Continual Learning with Embedding Layer Surgery and Task-wise Beam Search using Whisper
College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；Alibaba Group（阿里巴巴集团）
针对多语言ASR持续学习中的灾难性遗忘问题，提出嵌入层手术加任务级波束搜索的方法，在Whisper模型上实现预训练语言词错误率下降且不影响新增语言性能。
2025-01-14 cs.AI cs.CL
Driving-RAG: Driving Scenarios Embedding, Search, and RAG Applications
Tsinghua University（清华大学）
本文提出Driving-RAG框架，通过场景嵌入对齐、典型场景采样与分层可导航小世界搜索及图知识重组机制，实现高效准确的驾驶场景检索，并提升LLM在自动驾驶RAG应用中的轨迹规划性能。
2025-04-06 cs.AI cs.RO
Topological quantification of ambiguity in semantic search
Avantia London（阿文提亚伦敦）；Imperial College London（帝国理工学院伦敦）
该研究利用持续同调度量量化语义搜索中查询的歧义性，通过模拟和实证验证展示了拓扑方法在检测语义不连续性中的有效性。
2026-02-17 cs.AI cs.CL cs.LG
Sentence Embeddings and High-speed Similarity Search for Fast Computer Assisted Annotation of Legal Documents
Université de Montréal（蒙特利尔大学）；Carnegie Mellon University（卡内基梅隆大学）；Hofstra University（霍夫斯特拉大学）；University of Pittsburgh（匹兹堡大学）
对法律文档中的句子进行人工注释是许多基于机器学习的系统支持法律任务的重要前提。通常，注释是逐句顺序完成的，这通常是耗时的，因此是昂贵的。在本文中，我们介绍了一个概念证明系统，用于注释句子的横向。“这种方法是基于这样一种观察，即意义相似的句子在特定的类型系统中通常具有相同的标签。我们使用这种观察，允许注释者快速查看和注释句子，语义上类似于一个给定的句子，在整个语料库的文件。在这里，我们提出了系统的接口和经验评估的方法。实验表明，横向标注有可能使标注过程更快，更一致。
2021-12-21 cs.AI cs.CL cs.LG
Generalist embedding models are better at short-context clinical semantic search than specialized embedding models
Kaduceo；German Heart Center Munich（德国慕尼黑心脏中心）
本研究基于ICD-10-CM代码描述构建数据集进行语义搜索基准测试，发现通用嵌入模型在短上下文临床语义搜索任务中优于专用模型，主要原因是专用模型对输入微小变化更敏感且训练数据多样性不足。
2024-01-06 cs.AI cs.CL
Pairwise Judgment Formulation for Semantic Embedding Model in Web Search
Department of Computing Hong Kong Polytechnic University（计算系香港理工大学）；Department of Mechanical Engineering Hong Kong Polytechnic University（机械工程系香港理工大学）
本文提出了一种改进的语义嵌入模型训练方法，通过分析大规模查询日志，发现传统排序方法未必最优，并展示了混合启发式方法的优势。
2026-01-05 cs.AI cs.DB cs.IR
E2Rank: Unifying Text Embedding and Listwise Reranking for Effective and Efficient Search
Renmin University of China（中国人民大学）；Alibaba Group（阿里巴巴集团）
E2Rank是统一文本嵌入与列表式重排序的框架，通过将列表式提示视为伪相关反馈查询，在单一模型内实现高效检索与重排序，在BEIR等基准上性能优异且延迟更低。
2026-08-27 cs.AI cs.CL cs.IR
MBExplainer: Multilevel bandit-based explanations for downstream models with augmented graph embeddings
Discover Financial Services Inc.（发现金融服务公司）
MBExplainer提出一种模型无关解释方法，通过多层级搜索和上下文赌博机，为结合图嵌入与表格特征的下游模型生成包含子图、节点特征和下游特征的三元组解释，并用Shapley值量化贡献。
2024-11-01 cs.AI cs.CE cs.LG
Closing the Modality Gap for Mixed Modality Search
Stanford University（斯坦福大学）
本文针对 CLIP 在混合模态检索中的嵌入模态差距，提出轻量级事后校准方法 GR-CLIP，并在 MixBench 上显著提升检索效果且大幅降低计算成本。
2025-07-25 cs.AI cs.CL cs.CV
EnterpriseEM: Fine-tuned Embeddings for Enterprise Semantic Search
Infosys Limited（印孚瑟斯有限公司）
本文提出EnterpriseEM方法，通过微调预训练嵌入模型提升企业语义搜索的精度与相关性。
2024-09-27 cs.AI cs.CL cs.IR
Efficient Multi-Hop Question Answering over Knowledge Graphs via LLM Planning and Embedding-Guided Search
Department of Computer Science, Drexel University, Philadelphia, PA, USA（计算机科学系，德雷塞尔大学，费城，宾夕法尼亚州，美国）
本文提出两种混合算法，通过LLM规划和嵌入引导搜索实现高效且可验证的多跳知识图谱问答，提升推理效率与准确性。
2025-11-24 cs.AI cs.CL
Monkey Business: Reinforcement learning meets neighborhood search for Virtual Network Embedding
Telecom SudParis（南巴黎电信学院）；Davidson consulting（戴维森咨询公司）
在这篇文章中，我们考虑了5G网络切片的虚拟网络嵌入（VNE）问题。这个问题需要在底层虚拟化物理网络上分配多个虚拟网络（VN），同时最大化资源利用率、放置的VN的最大数量和网络运营商的利益等。我们解决了切片随时间到达的问题的在线版本。启发嵌套推出政策适应（NRPA）算法，一个著名的蒙特卡罗树搜索（MCTS），学习如何随着时间的推移进行良好的模拟的变体，我们提出了一个新的算法，我们称之为邻域增强的政策适应（NEPA）。我们的算法的关键特征是观察NRPA不能利用在状态树的一个分支中获得的知识用于另一个开始不同的分支。NEPA通过将NRPA与邻域搜索相结合来学习，以一种节俭的方式只改进有希望的解决方案，同时保持低运行时间。我们称这种技术为猴子生意，因为它归结为从一个有趣的树枝跳到另一个，类似于猴子从一棵树跳到另一棵树，而不是每次都下来。与其他最先进的算法相比，NEPA在接受率和收入成本比方面取得了更好的结果，无论是在真实的还是合成的拓扑结构上。
2022-02-28 cs.AI cs.NI
Progressively Optimized Bi-Granular Document Representation for Scalable Embedding Based Retrieval
Beijing University of Posts and Telecommunications（北京邮电大学）；Microsoft Research Asia（微软亚洲研究院）；Microsoft STCA（微软STCA）；University of Science and Technology of China（中国科学技术大学）
特设搜索要求从一个大规模的语料库中选择适当的答案。如今，基于嵌入的检索（EBR）成为一种很有前途的解决方案，其中基于深度学习的文档表示和ANN搜索技术相结合来处理这一任务。然而，一个主要的挑战是，人工神经网络索引可能太大，以适应内存，考虑到相当大的答案语料库。在这项工作中，我们使用双粒度文档表示来解决这个问题，其中轻量级稀疏嵌入被索引并在内存中待机，用于粗粒度候选搜索，而重量级密集嵌入则托管在磁盘中，用于细粒度后验证。为了达到最佳的检索精度，设计了一个渐进式优化框架。稀疏嵌入是提前学习的，用于高质量的候选搜索。以稀疏嵌入引起的候选分布为条件，连续学习密集嵌入以优化从入围候选中区分地面实况。此外，还有两种技术：对比量化和局部中心采样被引入用于稀疏和密集嵌入的学习，这实质上有助于它们的性能。由于上述特征，我们的方法有效地处理了100万规模的EBR，在准确率方面具有很强的优势：在百万规模的语料库上，召回率提高了+4.3%，在十亿规模的语料库上，召回率提高了+17.5%。此外，我们的方法被应用于一个主要的赞助搜索平台，收入（+1.95%），召回（+1.01%）和CTR（+0.49%）大幅增长。我们的代码可在https://github.com/microsoft/BiDR上获得。
2022-03-02 cs.AI cs.CL cs.IR
Dynamic Embedding Size Search with Minimum Regret for Streaming Recommender System
City University of Hong Kong（香港城市大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；The Chinese University of Hong Kong（香港中文大学）
该研究将流式推荐中的动态嵌入维度搜索建模为 bandit 问题，提出 DESS 方法，以非平稳方式最小化用户与物品两侧的选择遗憾，并在理论和四个公开数据集上验证其性能、内存与时间优势。
2023-08-15 cs.AI cs.IR
In search of strong embedding extractors for speaker diarisation
Naver Corporation（NAVER公司）；University of Oxford（牛津大学）；Carnegie Mellon University（卡内基梅隆大学）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
说话人嵌入提取器（EEs），它将输入音频映射到说话人判别潜在空间，在说话人区分中至关重要。然而，在采用EE进行日记时存在一些挑战，我们解决了两个关键问题。首先，评估并不简单，因为更好的性能所需的功能不同的扬声器验证和diarisation。我们发现，更好的性能广泛采用的扬声器验证评估协议并不导致更好的diarisation性能。第二，嵌入提取器没有看到存在多个说话者的话语。这些输入不可避免地存在于扬声器diarisation，因为重叠的语音和扬声器的变化，他们降低了性能。为了缓解第一个问题，我们生成说话人验证评估协议，更好地模仿diarisation方案。我们提出了两种数据增强技术来缓解第二个问题，使嵌入提取器能够意识到重叠的语音或说话者变化输入。一种技术产生重叠的语音片段，另一种技术产生两个说话者顺序发声的片段。使用三个国家的最先进的说话人嵌入提取器的广泛的实验结果表明，这两种方法是有效的。
2022-10-26 cs.AI cs.SD eess.AS
One Model Is Enough: Native Retrieval Embeddings from LLM Agent Hidden States
Temple University（特拉华大学）
本文提出通过轻量级投影头使LLM代理具备原生检索能力，无需额外嵌入模型，保留97%检索质量并在QReCC基准测试中表现优异。
2026-03-09 cs.AI cs.CL cs.IR
Hybrid Semantic Search: Unveiling User Intent Beyond Keywords
Innoplexus Consulting Services Pvt Ltd（Innoplexus咨询服务私人有限公司）
本文提出融合关键词匹配、语义向量嵌入与LLM结构化查询的混合语义搜索框架，以捕捉显隐式用户意图并优化查询执行，提升搜索结果的相关性、全面性与准确性。
2024-09-06 cs.AI cs.IR
Scalable Semantic Matching of Queries to Ads in Sponsored Search Advertising
Yahoo Labs（雅虎实验室）；Yahoo Hadoop Group（雅虎Hadoop组）
赞助搜索是网络搜索引擎的主要收入来源。这种流行的广告模式为广告商提供了一种独特的可能性，可以瞄准用户通过搜索查询传达的直接意图，通常是通过将他们的广告与被认为与他们的产品或服务相关的查询的有机搜索结果一起显示。然而，由于大量的唯一查询，广告商识别所有这样的相关查询是具有挑战性的。为此，搜索引擎往往提供了一个服务的高级匹配，它自动发现额外的相关查询，为广告客户出价on.We提出了一种新的高级匹配方法的基础上的想法，语义嵌入的查询和广告。嵌入是使用用户搜索会话的大型数据集学习的，包括搜索查询，点击的广告和搜索链接，同时利用上下文信息，如停留时间和跳过的广告。为了解决我们的问题的大规模性质，无论是在数据和词汇量方面，我们提出了一种新的分布式算法的嵌入训练。最后，我们提出了一种方法来克服与新的广告和查询的冷启动问题。我们报告的结果，编辑评估和在线测试的实际搜索流量。结果表明，我们的方法在相关性，覆盖范围和增量收入方面明显优于基线。最后，我们开源了查询嵌入，供计算广告和相关领域的研究人员使用。
2016-07-07 cs.AI cs.CL cs.IR
Pailitao-VL: Unified Embedding and Reranker for Real-Time Multi-Modal Industrial Search
Alibaba Group（阿里巴巴集团）
Pailitao-VL通过统一嵌入与重排序方法，解决多模态工业搜索中的高精度、实时性和抗噪声问题，实现先进检索架构的高效部署。
2026-03-05 cs.AI cs.CV cs.IR
