Semantic Table Retrieval using Keyword and Table Queries
Web上的表格以结构化的形式包含大量的知识。为了利用这一宝贵的资源，我们解决了表检索的问题：回答一个信息需要与表的排名列表。我们调查这个问题在两个不同的变体，根据信息需求是如何表达的：作为一个关键字查询或作为一个现有的表（“查询表”）。这项工作的主要新的贡献是一个语义表检索框架匹配的信息需求（关键字或表查询）对表。具体来说，我们（i）表示查询和表在多个语义空间（离散稀疏和连续密集向量表示）和（ii）引入各种相似性的措施，以匹配这些语义表示。我们考虑所有可能的语义表示和相似性度量的组合，并将其用作监督学习模型中的特征。使用基于维基百科表格的两个专门构建的测试集合，我们展示了对最先进基线的显著和实质性改进。
2021-05-13 cs.IR
A Concept Knowledge-Driven Keywords Retrieval Framework for Sponsored Search
在赞助商搜索中，检索同义关键字的精确匹配类型是非常重要的准确定位广告。已经提出了基于数据驱动的深度学习的方法来解决这个问题。该方法的一个明显缺点是它对实体级长尾实例的泛化性能很差，即使它们可能与频繁实例共享相似的概念级模式。在大量知识库的帮助下，我们发现大多数商业同义查询-关键字对可以通过概念标注抽象成有意义的概念模式。基于这一事实，我们提出了一个新的知识驱动的概念检索框架，以减轻这个问题，它包括三个部分：数据概念化，匹配通过概念模式和概念增强的歧视。离线和在线实验表明，我们的方法是非常有效的。该框架已成功应用于百度的赞助搜索系统中，并取得了显著的收益。
2021-02-21 cs.IR
Semantic Arabic Information Retrieval Framework
信息发布量和存储量的不断增加，要求有专门的信息检索框架来准确、快速地检索和获取信息。目前，基于关键字的技术通常用于信息检索中。然而，关键词方法的一个主要缺点是它无法处理自然语言中的一词多义和同义现象。例如，不同社区对词语的含义和对概念的理解不同。同一个词用于不同的概念（一词多义）或使用不同的词用于同一个概念（同义）。大多数信息检索框架在处理词汇语义方面存在不足（索引、布尔模型、潜在语义分析（LSA）、潜在语义索引（LSI）和语义排序等）。传统的阿拉伯语信息检索（AIR）模型在处理语义查询时，不仅要处理关键字，还要处理这些关键字的上下文，因此性能不足。因此，需要一种具有语义索引结构和基于语义索引的排序算法的语义信息检索模型。
2015-12-10 cs.IR
Keyword-driven Retrieval-Augmented Large Language Models for Cold-start User Recommendations
针对冷启动用户推荐问题，提出关键词驱动的检索增强大语言模型框架KALM4Rec，通过关键词检索候选和LLM重排序，在Yelp数据集上显著提升推荐质量。
2025-04-27 cs.IR
Quotient Space-Based Keyword Retrieval in Sponsored Search
Baidu（百度）
随着各大搜索引擎将对精确匹配产品的匹配要求放宽到同义级别，同义关键词检索成为赞助式搜索的一个重要问题。由于查询和关键字之间的同义关系是相当稀缺的，传统的信息检索框架在这种情况下是低效的。在本文中，我们提出了一种新的商空间为基础的检索框架来解决这个问题。将关键词之间的同义关系看作是一种数学等价关系，将同义关键词压缩为一个代表，对应的商空间将大大减小关键词库的规模。然后直接在查询和关键字代表之间进行基于嵌入的检索。为了减少基于商空间的检索的语义鸿沟，一个单一的语义连体模型被用来检测关键字-关键字和查询-关键字的同义关系。实验结果表明，基于商空间的同义词检索方法在记忆代价和召回效率方面都有很大的提高。该方法已在百度的在线赞助搜索系统中成功实施，并在收入方面取得了显着的改善。
2021-05-26 cs.IR cs.LG
Element Retrieval using Namespace Based on keyword search over XML Documents
使用关键字搜索来查询XML元素正逐渐流行起来。传统的相似性度量被广泛应用于各种XML文档的检索。许多作者已经提出了利用XML文档的结构和内容的不同的相似性度量方法。然而，它们没有考虑元素文本的潜在语义信息和查询中的关键字之间的相似性。XML元素搜索算法很多，但由于搜索的元素数量庞大，有的算法存在很高的计算复杂性。在本文中，我们提出了一个新的算法，利用元素之间的语义相似性，而不是整个XML文档之间，考虑不仅是XML文档的结构和内容，但元素中的名称空间的语义信息。通过在真实数据集上的测试，我们将我们的算法与其他三种算法进行了比较。实验结果表明，该方法能够提高查询的准确率，并减少运行时间。
2010-12-17 cs.IR
WebFAQ 2.0: A Multilingual QA Dataset with Mined Hard Negatives for Dense Retrieval
University of Passau（帕绍大学）；University of Passau, and IT:U Austria（帕绍大学和IT:U奥地利）
WebFAQ 2.0是一个多语言问答数据集，包含挖掘的硬负样本，用于训练密集检索器，支持多语言和跨语言信息检索研究。
2026-02-19 cs.AI cs.CL cs.IR
Multi-view Semantic Matching of Question retrieval using Fine-grained Semantic Representations
问题检索作为问答系统的一项关键任务，受到了学术界和工业界的广泛关注。以前的解决方案主要集中在翻译模型、主题模型和深度学习技术上。与以前的解决方案不同，我们建议通过分配给每个关键字的学习重要性得分来构建问题的细粒度语义表示，以便我们可以使用这些不同长度的语义表示来实现细粒度问题匹配解决方案。因此，我们提出了一个多视图语义匹配模型，重用的重要关键字在多个语义表示。作为构建细粒度语义表示的关键，我们首次使用跨任务弱监督提取模型，该模型应用问题-问题标记信号来监督关键字提取过程（即学习关键字重要性）。该抽取模型将深度语义表示和词汇匹配信息与统计特征相结合来估计关键词的重要性。我们在三个公共数据集上进行了大量的实验，实验结果表明，我们提出的模型显着优于最先进的解决方案。
2023-02-16 cs.IR
Dealing with Typos for BERT-based Passage Retrieval and Ranking
段落检索和排序是开放域问答和信息检索中的一项关键任务。目前有效的方法主要依赖于预先训练的基于深度语言模型的检索器和排序器。这些方法已被证明有效地建模查询和段落之间的语义匹配，也存在关键字不匹配，即段落，相关的查询，但不包含重要的查询关键字。在本文中，我们考虑密集检索器（DR），一个通道检索方法，和BERT重新排序，一个流行的通道重新排序方法。在这种情况下，我们正式研究这些模型如何响应和适应特定类型的关键字不匹配-由查询中发生的关键字错别字引起的。通过实证研究，我们发现错别字会导致检索和排名效率的显著下降。然后，我们提出了一个简单的类型感知培训框架的DR和BERT重新排名，以解决这个问题。我们在MS MARCO通道排名数据集上的实验结果表明，通过我们提出的打字感知训练，DR和BERT重新排名器可以对查询中的打字错误变得鲁棒，从而与没有适当考虑打字错误的模型相比，显着提高了有效性。
2021-09-13 cs.IR
Retrieval-efficiency trade-off of Unsupervised Keyword Extraction
本文提出一种无监督关键词提取方法，通过顺序合并文档部分并利用个性化PageRank，在保持最先进检索性能的同时，速度比现有方法快两个数量级，并能在不到一分钟内处理1400万篇文档。
2022-08-15 cs.IR
Beyond Keywords and Relevance: A Personalized Ad Retrieval Framework in E-Commerce Sponsored Search
在大多数赞助搜索平台上，广告商对其广告（广告）的某些关键字进行出价。给定搜索请求，广告检索模块将查询重写为竞价关键词，并以竞价关键词为关键词通过倒排索引选择TopN广告。以这种方式，当广告商不对相应的关键字出价时，即使查询是相关的，也不会检索到广告。此外，大多数广告检索方法将重写和广告选择视为两个独立的任务，并专注于提高搜索查询和广告之间的相关性。近年来，在电子商业赞助搜索中引入了越来越多的个性化信息，如用户简档、长时间和实时点击等。个性化信息使得广告检索能够采用更多的元素（例如实时点击）作为搜索信号和检索关键字，然而它使得广告检索更难以测量通过不同信号检索的广告。为了解决这些问题，我们提出了一个新的广告检索框架，超越关键字和相关性在电子商业赞助搜索。首先，我们使用历史广告点击数据初始化一个分层网络表示的信号，键和广告，其中个性化信息的介绍。然后，我们训练一个模型的层次网络的顶部，通过学习边的权重。最后，我们根据模型选择最好的边缘，提高RPM/CTR。在我们的电子商业平台上的实验结果表明，我们的广告检索框架取得了良好的性能。
2018-04-23 cs.IR stat.ML
Query Generation for Patent Retrieval with Keyword Extraction based on Syntactic Features
Amsterdam Business School, University of Amsterdam（阿姆斯特丹大学阿姆斯特丹商学院）；European Patent Office（欧洲专利局）；Institute of Informatics, University of Amsterdam（阿姆斯特丹大学信息学院）
本文介绍了一种从专利权利要求中提取相关关键词的新方法，作为检索具有类似权利要求的其他专利（检索现有技术）任务的一部分。该方法结合了定性分析的写作风格的权利要求与自然语言处理方法来解析文本，以表示一个法律文本作为一个专业化的术语树状结构。在这种情况下，提取的关键字集合产生的搜索结果比使用传统方法（如tf-idf）提取的关键字更好。性能是在由提取的关键字组成的查询的搜索结果上测量的。
2019-06-18 cs.CL cs.IR
An end-to-end Generative Retrieval Method for Sponsored Search Engine --Decoding Efficiently into a Closed Target Domain
本文提出了一种面向赞助式搜索引擎的生成式检索方法，该方法利用神经机器翻译（NMT）直接从查询中生成关键词。这种方法是完全端到端的，它跳过了传统检索系统中的查询重写和相关性判断阶段。与标准的机器翻译不同，检索环境中的目标空间是一个受约束的闭集，其中只应生成提交的关键字。我们提出了一个基于Trie树的修剪技术在束搜索，以解决这个问题。将此方法部署到实际工业环境中的最大挑战是运行解码器的延迟影响。自规范化训练与基于Trie的动态修剪相结合，大大减少了推理时间，加速了20倍以上。我们还设计了一个混合的在线-离线服务架构，以减少延迟和CPU消耗。为了鼓励NMT生成现有系统未发现的新关键字，仔细选择训练数据。该模型已成功应用于百度商业搜索引擎中作为辅助检索分支，为百度带来了10倍以上的收益提升。
2019-03-18 cs.IR
Adapting General-Purpose Embedding Models to Private Datasets Using Keyword-based Retrieval
针对通用文本嵌入模型在含专业术语的私有数据集上效果下降的问题，提出利用BM25关键词检索排序构建监督信号的BMEmbed方法，可跨领域持续提升检索性能并已开源。
2025-05-31 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
Keyword-Based Diverse Image Retrieval by Semantics-aware Contrastive Learning and Transformer
针对跨模态图像检索中相关性与多样性难以平衡的问题，提出CoLT方法，通过语义感知对比学习、Transformer token分类器及后处理算法提升检索多样性，在两个真实数据集上F1分数优于现有方法。
2023-05-06 cs.IR
Keyword Extraction for Improved Document Retrieval in Conversational Search
University of Amsterdam（阿姆斯特丹大学）
最近的研究表明，基于用户和计算机之间的交互来澄清和改进查询的混合主动会话搜索提供了巨大的优势。尽管如此，合并用户从对话中提供的附加信息提出了一些挑战。事实上，进一步的交互可能会使系统感到困惑，因为用户可能会使用与信息需求无关的词语，但在多轮对话的背景下，这些词语对于正确的句子构建至关重要。为此，在本文中，我们收集了两个会话关键字提取数据集，并提出了一个端到端的文档检索管道，将它们结合起来。此外，我们研究了两个神经关键词提取模型，即BERT和序列到序列，在提取精度和人类注释方面的性能。最后，我们研究了关键词提取对端到端神经IR性能的影响，并表明我们的方法击败了最先进的IR模型。我们公开这两个数据集，以促进这一领域的研究。
2021-09-22 cs.CL cs.IR
Towards Semi-Automatically Comparing Keyword-Based and Semantic Search Accuracy
Technical University of Munich（慕尼黑工业大学）；Gofore GmbH（Gofore有限公司）；University of Stuttgart（斯图加特大学）
针对关键词与语义搜索缺乏定量比较的问题，提出半自动框架，通过等价类评估排序准确性与信息完整性，并经工业案例验证语义搜索优势。
2026-09-30 cs.IR
BiLingual Information Retrieval System for English and Tamil
本文论述了基于FERMAL领域的双语信息检索系统的设计与实现。建立了一个通用的双语信息检索平台，它可以扩展到任何外语或印度语的工作效率相同。搜索查询的解决方案不是用特定的预定义标准语言集来完成的，而是在处理用户的查询时动态选择的。本文论述的是除英语外的印度语泰米尔语。该任务是检索的解决方案，为用户给定的查询，在相同的语言作为查询。在这个过程中，一个本体树是建立在这样一种方式，有在上面列出的两种语言在树的每个节点的条目的领域。词性（POS）标记器用于从给定查询中确定关键字。基于上下文，使用本体树将关键字翻译成适当的语言。执行搜索并基于关键字检索文档。利用本体树进行信息抽取。最后，将查询的解决方案翻译回查询语言（如果需要）并提供给用户。
2010-04-26 cs.IR
Doc2Query++: Topic-Coverage based Document Expansion and its Application to Dense Retrieval via Dual-Index Fusion
National Taiwan University（國立臺灣大學）
提出Doc2Query++框架，通过无监督主题建模和混合关键词选择结构化LLM查询生成，并采用双索引融合策略隔离噪声，显著提升稀疏与稠密检索性能。
2025-10-13 cs.IR
QueStER: Query Specification for Generative keyword-based Retrieval
MILA – Quebec AI Institute & ILLS（魁北克人工智能研究所）；Université Paris-Saclay & CentraleSupélec & CNRS（巴黎-萨克雷大学）；Air Liquide（Air Liquide公司）；Sorbonne Université & ISIR & CNRS（索邦大学）
QueStER通过生成显式的关键词检索规范，结合生成式查询重写和传统检索的效率，提升跨领域检索性能。
2026-01-21 cs.CL cs.IR cs.LG
Keyword Augmented Retrieval: Novel framework for Information Retrieval integrated with speech interface
本文提出关键词增强检索框架，用小模型生成并匹配关键词以快速定位文档上下文，再由大模型基于定制提示作答，从而降低推理时间与成本，并集成语音接口实现无缝交互。
2023-10-29 cs.AI cs.CL cs.HC
Implementation of an efficient Fuzzy Logic based Information Retrieval System
本文介绍了一个利用模糊逻辑计算数据集和查询之间相似度的高效信息检索系统的实现。TREC数据集也被用于同样的目的。数据集被解析以生成关键字索引，该索引用于与用户查询的相似性比较。每个查询都根据其与索引关键字的模糊相似性分配一个得分值。基于得分值检索相关文档。使用精确-召回曲线将所提出的模糊相似性模型的性能和准确性与余弦相似性模型进行了比较。实验结果证明了基于模糊相似度的信息检索系统的优越性。
2015-03-13 cs.IR
Retrieve Synonymous keywords for Frequent Queries in Sponsored Search in a Data Augmentation Way
在赞助式搜索中，同义关键词的检索对于广告的准确定位具有重要意义。查询和关键字之间的语义差距以及极高的精度要求（>= 95\%）是这项任务的两个主要挑战。据我们所知，这个问题还没有公开讨论过。在工业赞助搜索系统中，检索到的频繁查询的关键字通常提前完成并存储在查找表中。考虑到这些结果作为一个种子数据集，我们提出了一个类似数据增强的框架，以提高这些频繁查询的同义检索性能。该框架包括两个步骤：基于推理的检索和基于判别式的过滤。首先，我们设计了一个基于Trie树的翻译模型来进行数据增量。在这个阶段，进行了一个Bag-of-Core-Words技巧，在保持原始精度的同时，增加了4.2倍的数据增量。然后使用基于BERT的判别模型过滤掉非同义词对，该模型比传统的特征驱动的GBDT模型有11%的绝对AUC提高。该方法已成功应用于百度的赞助搜索系统中，并取得了显著的收益提升。此外，还公开了一个包含50万个同义词对的商业汉语数据集（http：//www.example.com），其准确率为95%，用于释义研究ai.baidu.com/broad/subordinate? dataset=paraphrasing）。
2020-08-05 cs.IR
Semantic Information Retrieval Using Ontology In University Domain
当今的传统搜索引擎几乎不提供与用户的搜索查询相关的基本内容。这是因为用户发出的请求的上下文和语义没有得到充分的分析。因此，这里需要一个语义Web搜索出现。SWS即将进入结合了自然语言处理和人工智能的网络搜索领域。本文所做工作的目的是设计、开发和实现一个面向大学领域的语义搜索引擎-- SIEU（Semantic信息抽取in University Domain）。SIEU使用本体作为信息检索过程的知识库。这不仅仅是一个关键字搜索。它是一个层次以上的谷歌或任何其他搜索引擎检索分析只是关键字。在这里，从语法和语义两方面分析查询。所开发的系统检索的Web结果更相关的用户查询，通过关键字扩展。这里获得的结果将足够准确，以满足用户的要求。由于对查询进行了语义分析，因此准确率将得到提高。该系统对从事网络开发的人员和研究人员具有一定的参考价值。Google搜索结果将重新排名并优化，以提供相关链接。为了排名，已经应用了一种算法，该算法为用户查询获取更合适的结果。
2012-07-24 cs.IR
Keyword search is all you need: Achieving RAG-Level Performance without vector databases using agentic tool use
本文提出无需向量数据库，通过代理工具使用实现接近RAG的性能，展示了关键词搜索在问答任务中的有效性。
2025-12-19 cs.AI cs.IR
Concept-based indexing in text information retrieval
Mouloud Mammeri University of Tizi-Ouzou（穆卢德·马姆里蒂齐乌祖大学）
传统的信息检索系统依赖于关键字来索引文档和查询。在这样的系统中，基于与查询共享的关键字的数量来检索文档。当使用不同的关键字来描述文档和查询时，这种以词汇为中心的检索会导致不准确和不完整的结果。以语义为中心的检索方法试图通过依赖于概念而不是关键字来索引和检索来克服这个问题。目标是检索与给定用户查询语义相关的文档。本文针对这一问题提出了一个解决方案，在索引级。更确切地说，我们提出了一种新的方法，语义索引的基础上确定的概念，从语言资源。特别是，我们的方法依赖于WordNet和WordNetDomains词汇数据库的概念识别的联合使用。此外，我们提出了一个基于语义的概念加权方案，依赖于一个新的概念中心的定义。在TIME测试集合上评估生成的系统。实验结果表明，我们的命题比传统的IR方法的有效性。
2013-03-07 cs.CL cs.IR
Mistral-SPLADE: LLMs for better Learned Sparse Retrieval
Indian Institute of Technology Bombay（印度孟买理工学院）；IBM Research（IBM研究院）
本文提出使用仅解码器大语言模型Mistral作为骨干网络构建学习型稀疏检索器Mistral-SPLADE，以学习语义关键词扩展。实验表明，该模型超越了SPLADE及其变体，在BEIR基准上达到最先进水平。
2024-08-22 cs.CL cs.IR
Biologically Motivated Distributed Designs for Adaptive Knowledge Management
我们讨论了如何分布式设计，从生物网络隐喻可以大大提高信息检索和分布式信息系统的知识管理的现状。特别是，两个自适应推荐系统TalkMine和@ApWeb进行了更详细的讨论。TalkMine在关键字的语义层面上运行。它导致不同的数据库学习新的和适应现有的关键字的类别识别其社区的用户使用分布式算法。@ApWeb在信息资源的结构层面上运行，即引用或超链接结构。它依赖于集体行为来使这种结构适应用户的期望。TalkMine和@ApWeb目前正在积极推荐项目下为洛斯阿拉莫斯国家实验室的研究图书馆实施。它们一起定义了一个生物学动机的信息检索系统，同时推荐在关键字中表达的用户知识类别的水平，并在单个文档及其与其他文档的关联的水平。与被动的信息检索不同，使用该系统，用户获得与信息资源的主动的、演进的交互。
2000-02-16 cs.IR
A Comparative Study of Retrieval Methods in Azure AI Search
Ankura Consulting Group, LLC（安库拉咨询集团）
本文比较了Azure AI Search中多种检索方法的性能，旨在提升电子发现中早期案件评估的效率和准确性。
2025-12-08 cs.IR
Ranking Narrative Query Graphs for Biomedical Document Retrieval (Technical Report)
本文针对生物医学文档检索中图检索精确匹配难以排序的问题，提出基于图的无监督排序、查询松弛和本体重写方法，有效提升了检索的精确率和召回率。
2024-12-06 cs.IR
Rethinking Sparse Lexical Representations for Image Retrieval in the Age of Rising Multi-Modal Large Language Models
Kioxia Corporation（铠侠公司）
本文利用支持视觉提示的多模态大语言模型提取图像特征并转换为文本，采用稀疏检索算法进行图像检索，结合数据增强扩展关键词，在多个数据集上取得了优于传统方法的准确率和召回率。
2024-08-29 cs.CV cs.IR
It Takes Two to Match: Co-Evolving Generative Retriever with Reinforcement Learning
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Apple（苹果公司）
本文提出CoGR框架，通过两阶段训练与GRPO强化学习协同优化查询、项侧生成器，在多基准数据集上较最强基线F1值提升10.9%与36.1%，实现更优检索效果。
2026-09-02 cs.CL cs.IR
Ontology Based Query Expansion Using Word Sense Disambiguation
现有的信息检索技术没有考虑用户查询中存在的关键字的上下文。因此，搜索引擎有时不能向用户提供足够的信息。必须开发基于用户关键字语义的新方法，以便在广阔的网络空间中进行搜索而不会导致信息丢失。基于语义的信息检索技术需要理解用户查询中概念的含义。这将提高搜索结果的查全率。因此，本文的研究重点是基于概念的语义信息检索。这项工作是基于词义消歧，词库WordNet和本体的任何领域的检索信息，以捕捉特定的概念（S）的上下文，并发现它们之间的语义关系。
2010-03-07 cs.IR
Discovering Latent Information By Spreading Activation Algorithm For Document Retrieval
句法搜索依赖于查询中包含的关键字来查找合适的文档。因此，不包含关键字但包含与查询相关的信息的文档不会被检索。扩散激活是一种通过利用关联网络或语义网络中节点之间的关系来发现查询中潜在信息的算法。然而，经典的扩散激活算法使用网络中节点的所有关系，这将向查询中添加不合适的信息。在本文中，我们提出了一种新的语义文本搜索方法，称为面向查询的约束扩散激活，只使用关系的查询内容，找到真正相关的信息。在一个基准数据集上的实验表明，在MAP度量方面，我们的搜索引擎比句法搜索和使用经典的约束扩散激活的搜索分别好18.9%和43.8%。关键词：信息检索、本体、语义搜索、扩散激活
2018-07-29 cs.AI cs.IR
A Generalized Vector Space Model for Ontology-Based Information Retrieval
命名实体（NE）是由名称（如人员，组织和位置）引用的对象。命名实体和关键字对文档的含义很重要。我们提出了一个广义向量空间模型，结合命名实体和关键字。在该模型中，我们考虑到命名实体的不同本体特征，即别名，类和标识符。此外，我们使用实体类来表示疑问词的潜在信息，在传统的基于关键字的搜索被忽视。我们已经在TREC数据集上实现并测试了所提出的模型，如本文所述。
2018-07-20 cs.CL cs.DB cs.IR
LexSemBridge: Fine-Grained Dense Representation Enhancement through Token-Aware Embedding Augmentation
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Pengcheng Laboratory（鹏城实验室）；Tencent Company（腾讯公司）；Seoul National University（首尔大学）
针对稠密检索在关键词对齐和片段定位上的不足，本文提出插件式框架 LexSemBridge，利用 token 感知的统计、学习和上下文向量调制增强查询表示，并验证其跨任务与跨模态效果。
2025-09-27 cs.IR
StruBERT: Structure-aware BERT for Table Search and Matching
大量信息存储在数据表中。用户可以使用基于关键字的查询来搜索数据表。表主要由按行和列组织的数据值组成，提供隐式结构信息。表格通常附带次要信息，如标题、页面标题等，形成文本信息。理解文本信息和结构信息之间的联系是表格检索中一个重要但被忽视的方面，因为以前的方法独立地处理每个信息源。此外，用户还可以搜索与现有表相似的数据表，此设置可视为基于内容的表检索。在本文中，我们提出了Stru BERT，一个结构感知的BERT模型，融合了数据表的文本和结构信息，为数据表的文本和表格内容生成上下文感知的表示。StruBERT功能集成在一个新的端到端神经排名模型中，以解决三个与表相关的下游任务：基于关键字和内容的表检索以及表相似性。我们使用三个数据集来评估我们的方法，并且我们证明了在检索和分类指标方面比最先进的方法有了实质性的改进。
2022-03-27 cs.IR
Khmer Semantic Search Engine (KSE): Digital Information Access and Document Retrieval
Institute of Technology of Cambodia (ITC)（柬埔寨理工学院）
提出首个高棉语语义搜索引擎 KSE，结合关键词词典、本体和排序三种语义匹配框架及数据准备工具，提升高棉语文档与在线资源检索准确率。
2024-06-16 cs.CL cs.IR
Unified Generative & Dense Retrieval for Query Rewriting in Sponsored Search
Microsoft（微软）；Indian Institute of Technology Madras（印度理工学院马德拉斯分校）
本文提出 CLOVER-Unity，在单一模型中统一 NLG 与 DR 查询改写，兼顾互补关键词，离线和 Microsoft Bing 在线实验均显示效果、收入提升且成本下降。
2023-06-03 cs.CL cs.IR
JurisTCU: A Brazilian Portuguese Information Retrieval Dataset with Query Relevance Judgments
Câmara dos Deputados（议会委员会）；Tribunal de Contas da União (TCU)（联邦审计法院）
本文介绍了一个包含16045份巴西联邦会计法院判例文书和150个带有相关性标注查询的巴西葡萄牙语信息检索数据集，通过混合方法产生相关性判断，展示了文档扩展方法在提升BM25性能上的显著效果，以及OpenAI模型在短关键词查询中的优越表现。
2025-08-01 cs.CL cs.IR
Literature Review of the Pioneering Approaches in Cloud-based Search Engines Powered by LETOR Techniques
搜索引擎在我们的日常生活中起着至关重要的作用。尽管如此，它们在企业领域访问来自各种信息源的文档也非常重要。由于传统的搜索系统主要通过查看这些文档中出现的单词的频率来索引文档，因此它们几乎不能支持自然语言搜索，而是支持关键字搜索。基于关键字的搜索似乎不足以满足快速增长的企业数据。因此，企业搜索在企业领域变得越来越重要。在本报告中，我们概述了文献中的最新技术，主要用于三个目的：i）提高搜索引擎的检索性能，ii）将搜索平台部署到云环境中，iii）在扩展查询时选择最佳术语，以实现更高的检索性能，并为其用户提供良好的查询建议，以获得更好的用户体验。
2021-12-29 cs.IR
Nepali Passport Question Answering: A Low-Resource Dataset for Public Service Applications
ILPRL Department of Computer Science \& Engineering Kathmandu University, Dhulikhel, Nepal；School of Computing Dublin City University Dublin, Ireland
本文构建了一个尼泊尔语问答数据集，用于护照服务的FAQs，通过微调Transformer模型和BM25进行语义相似度检索，结果显示SBERT和多语言E5模型表现最佳。
2026-09-07 cs.IR cs.LG
Enhancing Retrieval-Augmented Generation for Electric Power Industry Customer Support
Pachira (International) Technology Ltd.（百川（国际）科技有限公司）
本研究针对电力行业客服，结合意图识别、RAG Fusion和重排序构建基于图的RAG系统，在GPT-4和真实FAQ数据集上分别取得97.9%和89.6%的准确率，显著优于基线。
2025-08-01 cs.AI cs.CL cs.IR
Speech User Interface for Information Retrieval
随着信息技术的飞速发展，在给定的时间内产生的信息量远远超过了人类在没有自动化系统的帮助下组织、搜索和处理的能力。现在有很多工具和技术可用于存储和检索信息。用户使用界面与这些技术进行交互，主要是文本用户界面（TUI）或图形用户界面（GUI）。在这里，我试图介绍一个新的接口，即语音信息检索。本项目的目标是开发一个语音界面，可以有效地，高效地，更友好地从数据库中搜索和读取所需信息。这个工具将是非常有用的盲人，他们将能够要求的信息，计算机通过语音命令/s（关键字）通过麦克风和听所需的信息使用扬声器或耳机。
2013-05-07 cs.IR
Query expansion techniques for information retrieval: A survey
随着网络规模的不断扩大，在互联网上对由少数关键字组成的查询进行相关信息抽取已成为一个巨大的挑战。查询扩展（QE）在提高Internet上的搜索性能方面起着至关重要的作用。在这里，用户的初始查询通过添加具有类似意义的附加有意义的术语来重新表述。作为信息检索（IR）的一部分，QE长期以来一直受到研究者的关注。它在个性化社会文档、问答、跨语言信息检索、信息过滤和多媒体信息检索等领域具有重要影响力。由于TREC（Text信息检索Conference）和CLEF（Conference and Labs of the Evaluation Forum）等专门的信息检索会议的召开，QE的研究得到了进一步的重视。本文从核心技术、使用的数据源、加权和排名方法、用户参与和应用等方面对1960年至2017年IR中的QE技术进行了调查，并指出了相似性和差异性。
2019-06-20 cs.IR
DSEBench: A Test Collection for Explainable Dataset Search with Examples
State Key Lab for Novel Software Technology, Nanjing University（南京软件技术国家级重点实验室）
DSEBench是一个用于评估可解释数据集搜索任务的测试集，通过提供高质量的数据集和字段级别注释，支持评估DSE和ExDSE方法。
2025-12-10 cs.IR
Zero-Shot Medical Information Retrieval via Knowledge Graph Embedding
Xi’an Jiaotong-Liverpool University（西交利物浦大学）；Duke Kunshan University（昆山杜克大学）；University of Liverpool（利物浦大学）；University of Surrey（萨里大学）
本文提出MedFusionRank，结合预训练语言模型与医学知识图谱嵌入实现零样本医疗信息检索，在医学数据集上验证了其优于现有方法的检索性能。
2023-10-31 cs.CL cs.IR
A Comparison of Approaches for Imbalanced Classification Problems in the Context of Retrieving Relevant Documents for an Analysis
Ludwig-Maximilians-University Munich（慕尼黑路德维希-马克西米利安大学）
许多基于文本的社会科学研究的第一步是从大量的不相关文档中检索与分析相关的文档。在社会科学中，解决这一检索任务的传统方法是应用一组关键字，并认为这些文档是相关的，至少包含一个关键字。但是，应用不完整的关键字列表有可能得出有偏见的推论。更复杂和昂贵的方法，如查询扩展技术，基于主题模型的分类规则，以及主动和被动的监督学习可能有潜力更准确地分离相关的不相关的文件，从而减少潜在的偏见的大小。然而，应用这些更昂贵的方法是否会增加检索性能相比，关键字列表在所有，如果是这样的话，有多少，是不清楚的，因为这些方法的比较是缺乏的。这项研究通过比较这些方法在与德国推文数据集（Linder，2017），社会偏见推理语料库（SBIC）（Sap等人，2020）和Reuters-21578语料库（Lewis，1997）。结果表明，查询扩展技术和主题模型为基础的分类规则，在大多数研究设置往往会降低，而不是提高检索性能。然而，主动监督学习如果应用于不太小的标记训练实例集（例如，1,000个文档），则达到比关键字列表高得多的检索性能。
2022-05-03 cs.CL cs.IR stat.AP
Beyond Content Relevance: Evaluating Instruction Following in Retrieval Models
本研究评估检索模型在内容相关性之外的指令遵循能力，开发了涵盖六种文档级属性的InfoSearch基准及SICR和WISE指标，发现微调与扩大模型规模虽有提升，但多数模型仍难完全遵从指令。
2025-03-05 cs.IR
Keyword Embeddings for Query Suggestion
Linknovate Science（Linknovate科学公司）；University of A Coruña（拉科鲁尼亚大学）
目前，搜索引擎用户普遍依赖于查询建议来改善他们的初始输入。当前的系统非常擅长向用户的查询推荐词汇调整或拼写更正。然而，他们往往很难建议语义相关的关键字给定用户的查询。在某些任务中，如法律检索或学术检索，详细查询的构造是至关重要的。在这些情况下，关键字建议方法是至关重要的，以指导用户在查询公式。本文提出了两个新的模型，用于科学文献训练的关键词建议任务。我们的技术适应Word2Vec和FastText的架构，通过利用文档的关键字共现来生成关键字嵌入。除了这些模型，我们还提出了一个专门定制的负采样方法，利用关键字如何出现在学术出版物。我们设计了一个排名为基础的评估方法，以下两个已知的项目和特设的搜索场景。最后，我们评估了我们的建议对国家的最先进的词和句子嵌入模型显示出相当大的改善基线的任务。
2023-01-23 cs.CL cs.IR
Machine Assistant with Reliable Knowledge: Enhancing Student Learning via RAG-based Retrieval
本文提出基于RAG框架的问答系统MARK，通过混合检索策略和师生反馈循环优化知识库，在课堂和技术支持场景中有效提升了学生查询的准确性与鲁棒性。
2025-06-28 cs.IR
Ontology-driven personalized information retrieval for XML documents
Research Laboratory in Computer Science (LARI), Department of Computer Science（计算机科学研究实验室（LARI），计算机科学系）；The Kyoto College of Graduate Studies for Informatics（信息科学研究生学院）
本文提出基于本体的个性化XML文档信息检索方法，通过整合领域本体和用户画像，提升检索效果，实现更精准的个性化匹配。
2026-07-30 cs.IR cs.LG
Thesis: Document Summarization with applications to Keyword extraction and Image Retrieval
Indian Institute of Technology, Bombay（印度理工学院孟买分校）
本文研究文档摘要技术，提出基于 rank aggregation 与相关性反馈的图像推荐方法，并设计 submodular functions 平衡意见摘要中的压缩与情感检测需求，在图像检索与摘要生成任务上均优于基线。
2024-05-20 cs.AI cs.CL cs.IR
