Keyphrase Generation for Scientific Document Retrieval
LS2N, Université de Nantes(南特大学LS2N实验室);National Institute of Informatics(国立信息学研究所)
序列到序列模型在关键词生成方面取得了重大进展,但它们是否足够可靠以有利于文档检索仍然是未知的。这项研究提供了经验证据表明,这样的模型可以显着提高检索性能,并介绍了一个新的外在评估框架,允许更好地了解关键词生成模型的局限性。使用这个框架,我们指出并讨论了补充文档中遇到的困难-不存在文本-关键词,并概括模型跨域。我们的代码可在https://github.com/boudinfl/ir-using-kg上获得
2021-06-28 cs.CL cs.IR
Cross-Lingual Relevance Transfer for Document Retrieval
University of Waterloo(滑铁卢大学)
最近的工作表明,多语言BERT作为一个zero-shot跨语言迁移模型的语言处理任务的惊人的能力。我们将这一发现与一个类似的,最近提出的建议,文档检索的文档级的相关性建模,以证明多语言的BERT跨语言的相关性模型传输的能力。对来自不同语系(中文、阿拉伯语、法语、印地语和孟加拉语)的五种不同语言的测试集进行的实验表明,用英语数据训练的模型提高了排名质量,而无需任何特殊处理,无论是(非英语)单语言检索还是跨语言检索。
2019-11-08 cs.CL cs.IR
Simple Applications of BERT for Ad Hoc Document Retrieval
David R. Cheriton School of Computer Science(戴维·R·切里顿计算机科学学院);University of Waterloo(滑铁卢大学)
最近成功地应用BERT的问答,我们探讨简单的应用程序,特设文件检索。这就需要面对文档所带来的挑战,这些文档通常比BERT设计处理的输入长度要长。我们解决这个问题,通过单独应用句子的推理,然后汇总句子分数产生的文件分数。在TREC微博和新闻专线测试集上的实验表明,我们的方法简单而有效,因为我们报告了我们所知道的神经方法在这些数据集上的最高平均精度。
2019-03-26 cs.CL cs.IR
Decomposing Retrieval Failures in RAG for Long-Document Financial Question Answering
本文针对长文档金融问答中的检索失败问题,提出一种基于页面的分层检索方法,通过微调双编码器提升页面和片段的检索效果。
2026-02-20 cs.CL cs.IR
Improving Document Representations by Generating Pseudo Query Embeddings for Dense Retrieval
University of Chinese Academy of Sciences(中国科学院大学);Meituan(美团)
近年来,基于稠密表示的检索模型逐渐应用于文档检索任务的第一阶段,表现出比传统稀疏向量空间模型更好的性能。为了获得高效率,这些模型的基本结构在大多数情况下是双编码器。然而,这种简单的结构可能会导致严重的信息丢失,在编码的文档,因为查询是不可知的。为了解决这个问题,我们设计了一种方法,通过迭代聚类过程来模拟对每个文档的查询,并通过多个伪查询(即,集群质心)。为了提高检索过程中使用近似最近邻搜索库,我们还优化了匹配函数的两步得分计算过程。在几个流行的排名和QA数据集上的实验结果表明,我们的模型可以达到最先进的结果。
2021-08-19 cs.CL cs.IR
Pre-training with Large Language Model-based Document Expansion for Dense Passage Retrieval
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院);Kuaishou Technology(快手科技)
本文提出利用LLM生成查询扩展文档,并通过对比学习、瓶颈式查询生成与课程学习预训练稠密检索器,显著提升大规模网页搜索的零样本和跨域性能。
2023-08-16 cs.CL cs.IR
MRNN: A Multi-Resolution Neural Network with Duplex Attention for Document Retrieval in the Context of Question Answering
University of Arkansas Little Rock(阿肯色大学小石城分校)
自组织检索(问答环境中的文档检索)的主要目标是找到满足自然语言查询中发布的信息需求的相关文档。它需要对查询和语料库中的所有文档有很好的理解,这是困难的,因为自然语言文本的含义取决于上下文、语法和语义。最近,深度神经网络已经被用于响应于查询对搜索结果进行排名。在本文中,我们设计了一个多分辨率神经网络(MRNN),利用整个层次的表示文档检索。MRNN模型能够从学习到的层次表示的所有层中获得一个集成了不同抽象层次的表示,并且设计了一个双重注意组件来改进多分辨率表示,从而确定查询和文档匹配的最佳上下文.更具体地,第一注意力机制根据所学习的查询和文档的多分辨率表示来确定最佳上下文。后一种注意力机制旨在微调表示,使得查询和相关文档更接近。实证研究表明,MRNN与双重注意力是显着优于现有的模型用于ad-hoc检索基准数据集,包括SQuAD,WikiQA,QUASAR,TrecQA。
2019-11-03 cs.CL cs.IR
+VeriRel: Verification Feedback to Enhance Document Retrieval for Scientific Fact Checking
University of Sheffield(谢菲尔德大学)
本文提出+VeriRel方法,将验证成功纳入文档排序,在三个科学事实验证数据集上提升了文档证据检索性能并促进下游验证。
2025-08-14 cs.CL cs.IR
Entity Retrieval for Answering Entity-Centric Questions
School of Computing Science(计算科学学院);Simon Fraser University(西蒙菲莎大学)
针对以实体为中心的问答,本文提出 Entity Retrieval,利用问题中的显著实体而非问题—文档相似性检索文档,并证明其相比稠密与稀疏检索更准确、更高效。
2024-08-05 cs.CL cs.IR
From BM25 to Corrective RAG: Benchmarking Retrieval Strategies for Text-and-Table Documents
本文对比了十种检索策略,发现混合检索与神经重排序结合的方法在金融问答基准上表现优异,BM25在金融文档中优于最新密集检索,查询扩展方法对精确数值查询帮助有限。
2026-04-02 cs.CL cs.IR
Document Optimization for Black-Box Retrieval via Reinforcement Learning
Stanford University(斯坦福大学);ContextualAI
提出通过强化学习(GRPO)优化文档表示,使其与目标检索器的查询分布对齐,仅需黑盒访问检索排名,在代码和视觉文档检索任务中提升性能,使小模型超越大模型。
2026-10-08 cs.CL cs.IR
Legal Document Retrieval using Document Vector Embeddings and Deep Learning
University of Moratuwa(莫拉图瓦大学);University of London(伦敦大学)
特定领域信息检索过程是自然语言处理领域的一个重要研究方向。许多研究人员已经采用了不同的技术来克服技术和领域的特异性,并为各种感兴趣的领域提供了一个成熟的模型。这些研究中的主要瓶颈是领域专家之间的严重耦合,这使得整个过程非常耗时和繁琐。在这项研究中,我们已经开发了三种新的模式,通过提供的在线存储库生成的黄金标准进行比较,特别是法律领域。这三种不同的模型结合了法律领域的向量空间表示,其中文档向量生成是在两种不同的机制中完成的,并且是上述两种机制的集合。本研究包含的研究正在进行的过程中表示法律案件文件到不同的向量空间,同时将语义词的措施和自然语言处理技术。在这项研究中建立的集成模型,显示出显着更高的准确性水平,这确实证明了需要将特定领域的语义相似性措施纳入信息检索过程。这项研究还表明,不同分布的词相似性措施的影响,对不同的文档向量的尺寸,这可能会导致法律信息检索的过程中的改进。
2018-05-27 cs.CL cs.IR
Summarization-Based Document IDs for Generative Retrieval with Language Models
University of Washington(华盛顿大学);Allen Institute for Artificial Intelligence(艾伦人工智能研究所)
该研究提出基于摘要的生成式内容文档ID(ACID),用自然语言摘要/关键短语替代传统整数ID,在MSMARCO和NQ 100k检索任务上显著提升召回率,同时发现文档特征会影响检索效果。
2024-10-30 cs.CL cs.IR
CoRank: LLM-Based Compact Reranking with Document Features for Scientific Retrieval
University of Illinois \ -Champaign Urbana United States;Korea University Seoul South Korea;University of Illinois \ -Champaign;Korea University
CoRank提出一种无需训练、模型无关的三阶段科学检索重排序框架,利用类别、章节、关键词等紧凑文档特征先进行粗粒度重排序,再对顶部候选全文细粒度排序,在5个数据集上将平均nDCG@10从50.6提升至55.5。
2025-08-17 cs.CL cs.IR
Unlocking Multimodal Document Intelligence: From Current Triumphs to Future Frontiers of Visual Document Retrieval
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Alibaba Cloud Computing(阿里云计算);Hong Kong University of Science and Technology(香港科技大学);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
本文综述了视觉文档检索领域,探讨了多模态大语言模型时代下的方法演进与挑战,提出未来发展方向。
2026-09-09 cs.CL cs.IR
DAPR: A Benchmark on Document-Aware Passage Retrieval
Technical University of Darmstadt(达姆施塔特工业大学);Cohere;Hessian Center for AI (hessian.AI)(黑森人工智能中心);Ubiquitous Knowledge Processing Lab (UKP Lab)(普适知识处理实验室)
本文提出文档感知段落检索(DAPR)任务并构建多领域基准,发现SoTA检索器53.5%的错误源于缺失文档上下文,通过BM25混合检索和上下文化段落表示扩展文档上下文,揭示现有方法在需要文档理解的困难查询上仍表现不足。
2024-06-09 cs.CL cs.IR
AUEB at BioASQ 6: Document and Snippet Retrieval
Athens University of Economics and Business(雅典经济与商业大学);Google AI(谷歌人工智能);Research Center ‘Athena’(“雅典娜”研究中心)
我们目前AUEB提交的BioASQ 6文件和片段检索任务(部分任务6 b,阶段A)。我们的模型使用了对深度学习架构的新颖扩展,这些架构仅对查询文本和候选文档/片段进行操作。我们的系统在所有批次的挑战中都获得了最高或接近最高的分数,突出了深度学习对这些任务的有效性。
2018-09-15 cs.CL cs.IR
ColPali: Efficient Document Retrieval with Vision Language Models
Illuin Technology(伊卢因科技);CentraleSupélec, Paris-Saclay(巴黎萨克雷中央高等电力学院);ETH Zürich(苏黎世联邦理工学院)
针对视觉丰富文档检索的挑战,提出ColPali视觉语言模型,直接嵌入文档页面图像生成多向量嵌入,结合晚期交互匹配,在ViDoRe基准上大幅超越现有流程,且更简单、更快、可端到端训练。
2025-02-28 cs.CL cs.CV cs.IR
Roles of MLLMs in Visually Rich Document Retrieval for RAG: A Survey
Beihang University(北航大学)
本文综述了多模态大语言模型在视觉丰富文档检索中的应用,探讨了三种关键角色及其在RAG中的作用与权衡。
2025-12-16 cs.CL cs.IR
Improving Document Retrieval Coherence for Semantically Equivalent Queries
Amazon AGI(亚马逊人工智能研究院);University of Trento(特伦托大学)
提出Multi-Negative Ranking loss变体,通过惩罚语义等价查询检索结果差异,提升Dense Retrieval模型一致性与准确率。
2025-08-11 cs.CL cs.IR
Beyond Ranked Lists: The SARAL Framework for Cross-Lingual Document Set Retrieval
Information Sciences Institute University of Southern California(信息科学研究所 美国南加州大学)
本文介绍 ISI 团队为 MATERIAL 计划提出的 SARAL 框架,该框架面向跨语言文档集检索而非传统排序列表,并在三种语言的六项评估中五项超越其他团队。
2025-11-05 cs.CL cs.IR
MLDocRAG: Multimodal Long-Context Document Retrieval Augmented Generation
Independent Researcher(独立研究者)
MLDocRAG通过构建多模态片段-查询图,实现多模态长上下文文档的检索增强生成,提升问答的准确性和连贯性。
2026-02-13 cs.CL cs.IR
Improving Information Retrieval Results for Persian Documents using FarsNet
Sharif University of Technology(谢里夫理工大学)
在本文中,我们提出了一种新的方法查询扩展,它使用FarsNet(波斯语WordNet),以找到类似的令牌相关的查询和扩展的语义含义的查询。为此,我们在FarsNet中使用同义关系,并提取相关的同义词来查询单词。该算法被用于增强信息检索系统和改善搜索结果。与基线方法(不使用查询扩展)相比,该系统的总体评估显示平均平均精度(MAP)提高了约9%。
2018-11-01 cs.CL cs.IR
A Multi-Resolution Word Embedding for Document Retrieval from Large Unstructured Knowledge Bases
University of Arkansas(阿肯色大学);Google LLC.(谷歌有限责任公司)
深度语言模型学习分层表示被证明是自然语言处理、文本挖掘和信息检索的强大工具。然而,表现良好的检索表示必须捕捉不同层次的抽象或上下文范围的语义含义。在本文中,我们提出了一种新的方法来产生多分辨率的词嵌入,表示在多个分辨率的上下文范围的文件。为了研究其性能,我们使用斯坦福问答数据集(SQuAD)和问答搜索和阅读(QUASAR)在一个开放域的问答设置,其中的第一个任务是找到有用的文件来回答给定的问题。为此,我们首先比较了各种文本嵌入方法的检索性能的质量,并给出了广泛的经验比较与各种非增强的基础嵌入的性能,并没有多分辨率表示。我们认为,多分辨率词嵌入始终优于原始的对应物,并且专门为检索目的训练的深度残差神经模型在用于增强这些嵌入时可以产生进一步的显着收益。
2019-05-22 cs.CL cs.IR
Multi-hop Evidence Retrieval for Cross-document Relation Extraction
University of Southern California(南加州大学);University of California, Los Angeles(加州大学洛杉矶分校)
针对跨文档关系抽取中的开放域证据获取与多跳推理难题,提出基于证据路径挖掘、排序及上下文密集检索的 MR.COD,并在 CodRED 上验证其可提升封闭与开放设置下的端到端性能。
2023-06-05 cs.CL cs.IR cs.LG
IncDSI: Incrementally Updatable Document Retrieval
School of Computer Science, Cornell University(康奈尔大学计算机科学学院)
针对可微搜索索引模型训练后难以新增文档的问题,提出IncDSI方法,通过带约束优化以最小参数改动实现实时文档添加,速度提升数个数量级且效果与全量重训相当。
2024-08-19 cs.CL cs.IR cs.LG
Neural document expansion for ad-hoc information retrieval
Amazon(亚马逊)
最近,Nogueira等人[2019]提出了一种基于神经Seq 2Seq模型的文档扩展新方法,在短文本检索任务上显示出显着的改进。然而,这种方法需要大量的域内训练数据。在本文中,我们表明,这种神经文档扩展方法可以有效地适应标准的IR任务,标签是稀缺的,许多长文档。
2020-12-27 cs.AI cs.CL cs.IR
Knowledge Distillation in Document Retrieval
Amazon Alexa AI(亚马逊Alexa人工智能部门);Facebook(脸书)
复杂的深度学习模型现在可以为许多文档检索任务提供最先进的性能。最好的模型将查询或索赔与文档一起处理。然而,对于快速可伸缩搜索,希望具有独立于权利要求的文档嵌入。在本文中,我们表明,知识蒸馏可以用来鼓励一个模型,产生索赔独立的文档编码,以模仿一个更复杂的模型,产生索赔相关的编码的行为。我们探索这种方法在文件检索的事实提取和验证任务。我们表明,通过使用来自复杂的交叉注意教师模型的软标签,索赔独立的学生LSTM或CNN模型的性能在所有排名指标上都得到了提高。我们使用的学生模型在运行时间上比教师模型快12倍,参数数量比教师模型少20倍
2019-11-11 cs.CL cs.IR cs.LG
Adaptive Document Retrieval for Deep Question Answering
ETH Zurich(苏黎世联邦理工学院)
深度问答中的现有技术系统如下进行:(1)初始文档检索选择相关文档,(2)然后由神经网络处理这些文档以便提取最终答案。然而,这两个组件之间的确切相互作用知之甚少,特别是关于应该检索的候选文档的数量。我们发现,选择一个静态的文件数量-在以前的研究中使用-遭受噪声信息权衡,并产生次优的结果。作为补救措施,我们提出了一个自适应的文档检索模型。它学习文档检索的最佳候选数量,条件是语料库和查询的大小。我们报告了大量的实验结果,表明我们的自适应方法在多个基准数据集以及不同大小的语料库中的性能优于最先进的方法。
2018-08-20 cs.CL
W-RAG: Source-Aware Retrieval for Enterprise Document Generation from Heterogeneous Knowledge Bases
The University of Texas at Dallas(德克萨斯大学达拉斯分校);DIGITAL MANAGEMENT, LLC (DMI);Massachusetts Institute of Technology(麻省理工学院)
针对异构知识库下企业文档生成中全局排序导致的上下文失衡问题,提出源感知检索框架W-RAG,引入相关数据集并验证其可提升文档覆盖率与生成质量。
2026-08-25 cs.CL cs.IR cs.SE
ColMate: Contrastive Late Interaction and Masked Text for Multimodal Document Retrieval
ServiceNow;York University(约克大学);MILA - Quebec AI Institute(魁北克人工智能研究所);Université de Montréal(蒙特利尔大学);École de technologie supérieure(卓越工程学院)
针对多模态文档检索直接套用纯文本检索技术的局限,提出ColMate模型,结合基于OCR的预训练、自监督掩码对比学习与后期交互评分机制,在ViDoRe V2基准上提升3.61%并增强域外泛化能力。
2025-11-02 cs.CL
VLD-RAG: Agentic Vision-Language Retrieval-Augmented Generation for Long, Visually-Rich Multi-Page Documents
Mazelone(马泽隆)
研究针对视觉丰富的长文档问答的多模态检索增强生成,提出VLD-RAG框架,构建多模态索引并采用混合检索策略,经智能体工作流程协调,在相关基准上提升了证据页面检索及问答表现,凸显协调验证与混合检索的重要性。
2026-07-29 cs.AI cs.CL cs.IR
MARA: A Multimodal Adaptive Retrieval-Augmented Framework for Document Question Answering
Key Laboratory of Target Cognition and Application Technology (TCAT), AIRI, CAS(目标认知与应用技术重点实验室(TCAT),空气动力研究所,中国科学院);School of Electronic, Electrical and Communication Engineering, UCAS(电子、电气与通信工程学院,中国科学院大学);Aerospace Information Research Institute, Chinese Academy of Sciences(航天信息研究所,中国科学院);Baidu Inc.(百度公司)
MARA框架通过引入查询自适应机制提升多模态文档检索与生成的精度和质量,实验表明其在多模态问答基准上优于现有最先进方法。
2026-02-01 cs.AI cs.CL cs.IR
Event GDR: Event-Centric Generative Document Retrieval
Tsinghua University(清华大学);Shanxi University(山西大学)
针对生成式文档检索存在的文档内容关联弱、标识符语义结构不明确的问题,提出融入事件知识的Event GDR模型,采用多智能体交互-反思法抽取事件,用事件与关系建模文档、映射事件分类体系构建标识符,在两个数据集上性能显著优于基线。
2024-05-11 cs.AI cs.CL cs.IR
How Can Graph Neural Networks Help Document Retrieval: A Case Study on CORD19 with Concept Map Generation
Emory University(埃默里大学)
图神经网络作为一组对不规则数据进行表示学习的强大工具,在各种下游任务中表现出了优越性。通过将非结构化文本表示为概念图,GNN可以用于文档检索等任务。出于对GNN如何帮助文档检索的兴趣,我们对大规模多学科数据集CORD-19进行了实证研究。结果表明,我们提出的面向语义的图函数,而不是复杂的面向结构的GNN,如GIN和GAT,实现了更好,更稳定的性能的基础上BM 25检索的候选人。我们在这个案例研究中的见解可以作为未来工作的指导方针,为文档检索和分类等文本推理任务开发具有适当的面向语义的归纳偏见的有效GNN。这个案例研究的所有代码都可以在https://github.com/HennyJie/GNN-DocRetrieval上找到。
2022-01-12 cs.CL cs.IR cs.LG
Cross-genre Document Retrieval: Matching between Conversational and Formal Writings
Emory University(埃默里大学)
本文提出了一个跨体裁的文档检索任务,其中查询是在正式的写作和目标文件是在会话写作。在这个任务中,查询是从电视节目中的一集的摘要或情节中提取的句子,并且目标文档由来自相应集的抄本组成。为了建立一个强有力的基线,我们采用当前最先进的搜索引擎来执行文件检索的数据集收集这项工作。然后,我们引入了一个结构重新排序的方法,以提高初始排名,利用自然语言处理工具生成的语法和语义结构。我们的评估表明,超过4%的改善时,结构重排序,这是非常有前途的。
2017-07-14 cs.CL
CDER: Collaborative Evidence Retrieval for Document-level Relation Extraction
School of Electrical Engineering and Computer Science, The University of Queensland(昆士兰大学电气工程与计算机科学学院)
本文提出CDER框架,通过基于注意力图的架构捕捉语义相似实体对间的协同模式,并引入动态子结构增强鲁棒性,从而提升文档级关系抽取中证据检索及整体系统性能。
2025-04-09 cs.CL
CAPSTONE: Curriculum Sampling for Dense Retrieval with Document Expansion
The University of Hong Kong(香港大学);Microsoft Research Asia(微软亚洲研究院);Microsoft(微软)
针对文档扩展稠密检索中训练与推理不一致导致性能下降的问题,本文提出课程采样策略,逐步增强生成查询与真实查询的相关性,使模型学习同时关注文档和查询,从而获得更优的查询感知文档表示,并在域内外数据集上验证了其有效性。
2023-10-29 cs.CL
A neural document language modeling framework for spoken document retrieval
National Taiwan University of Science and Technology(台湾科技大学)
近年来,深度学习的发展为语音识别、计算机视觉、问答、信息检索等众多经典和实用学科带来了重大创新。在自然语言处理(NLP)的背景下,语言表示在许多下游任务中取得了巨大成功,因此该研究学派成为近年来的一个主要研究方向。随着多媒体数据和语音的大量传播,语音文档检索在过去的几十年里成为一个重要的研究课题。针对软件无线电性能的提高,提出了一种神经检索框架,该框架综合了软件无线电中语言建模机制的优点,并充分利用了语言表示模型学习到的抽象信息。因此,据我们所知,这是对基于LM的神经SDR框架的监督训练的先驱性研究,特别是与预训练的语言表示方法相结合。
2019-10-31 cs.CL
Natural Logic-guided Autoregressive Multi-hop Document Retrieval for Fact Verification
University of Cambridge(剑桥大学)
事实验证的一个关键组成部分是证据检索,通常来自多个文档。最近的方法使用密集的表示和条件的检索每个文件的先前检索的。后一个步骤是对集合中的所有文档执行的,需要将它们的密集表示存储在索引中,因此会产生很高的内存占用。另一种范例是检索和重新排序,其中使用诸如BM 25的方法检索文档,对它们的句子进行重新排序,并以这些句子为条件检索更多的文档,从而降低对内存的要求。然而,这样的方法可能是脆弱的,因为它们依赖于语法学并假设文档之间的超链接。我们提出了一种新的检索和重新排名方法多跳检索,检索器,共同得分的知识源中的文件和句子,从以前检索到的文件使用自回归公式,并根据自然逻辑,动态终止检索过程中的证据被认为是足够的证明系统的指导。该方法与FEVER、HoVer和FEVEROUS-S上的当前最先进的方法相比具有竞争力,而使用$5$的存储器比竞争系统少$10$倍。对抗数据集的评估表明,与常用的基于阈值的方法相比,我们的方法具有更高的稳定性。最后,证明系统帮助人类正确预测模型决策,比单独使用证据更频繁。
2022-12-10 cs.CL
Non-negative Elastic Net Decoding for Information Retrieval
NTT, Inc(NTT公司)
提出非负弹性网络(NNN)解码方法,将检索视为联合解码问题,通过稀疏非负线性组合重构查询嵌入,在理论上严格优于稠密检索,实验表明在多个基准上取得一致改进。
2026-06-17 cs.AI cs.CL cs.IR
Cross-Document Topic-Aligned Chunking for Retrieval-Augmented Generation
本文提出跨文档主题对齐分块技术,通过语料层面的知识重建提升检索增强生成系统的忠实度和信息密度,实验显示其在多跳推理和法律文本任务中均取得显著性能提升。
2025-11-08 cs.AI cs.CL cs.IR
Content Selection Network for Document-grounded Retrieval-based Chatbots
Université de Montréal(蒙特利尔大学);Renmin University of China(中国人民大学)
在文档中建立人机对话是提高基于检索的聊天机器人性能的有效方法。然而,只有部分文档内容可能与帮助在一轮中选择适当的响应相关。因此,选择与当前会话上下文相关的文档内容部分至关重要。在本文中,我们提出了一个文档内容选择网络(CSN)执行显式选择相关的文档内容,并过滤掉不相关的部分。我们在两个公共文档为基础的会话数据集上的实验表明,CSN可以有效地帮助选择相关的文档内容的会话上下文,它产生更好的结果比国家的最先进的方法。我们的代码和数据集可以在https://github.com/DaoD/CSN上找到。
2021-01-21 cs.CL
CMDR: Contextual Multimodal Document Retrieval
Human Informatics Labs.(人文信息实验室);NTT, Inc.(日本NTT公司)
研究多模态文档检索,提出CMDR-Embed框架联合编码页面纳入文档上下文,引入CMCL对比学习目标训练,实验证明该框架显著优于非上下文嵌入,凸显上下文感知多模态嵌入对文档检索的重要性。
2026-07-08 cs.AI cs.CL cs.CV
VersionRAG: Version-Aware Retrieval-Augmented Generation for Evolving Documents
Zurich University of Applied Sciences(苏黎世应用科学大学)
VersionRAG通过层次图结构建模文档版本演化,结合意图分类路由实现版本感知检索,在VersionQA基准上达到90%准确率,显著优于现有RAG方法,并大幅降低索引开销。
2025-10-09 cs.AI cs.CL cs.IR
SPD-RAG: Sub-Agent Per Document Retrieval-Augmented Generation
TOBB University of Economics and Technology(托布大学经济与技术学院);OSTIM Technical University(OSTIM技术大学)
SPD-RAG通过文档级子代理和集中融合提升多文档问答性能,实现高效检索与生成。
2026-03-09 cs.AI cs.CL cs.IR
Document-as-Image Representations Fall Short for Scientific Retrieval
Department of Computer Science(计算机科学系)
本文提出ArXivDoc新基准,通过LaTeX源代码构建,对比文本、图像和多模态检索方法,发现基于图像的文档表示效果差,文本表示更有效,多模态方法表现最佳。
2026-10-15 cs.AI cs.CL cs.IR
LEDGER: Scaling Agentic Document Editing with Dependency-aware Graph Retrieval
Microsoft(微软)
提出LEDGER方法,通过构建轻量级依赖图并利用图引导检索,在智能体文档编辑中高效定位必要上下文,避免全文档处理,提升一致性并减少token使用。
2026-06-19 cs.AI cs.CL cs.IR
A Document-grounded Matching Network for Response Selection in Retrieval-based Chatbots
Peking University(北京大学);Microsoft Corporation(微软公司)
我们提出了一个基于文档的匹配网络(DGMN)的响应选择,可以支持基于知识感知的检索聊天机器人系统。建立这样一个模型的挑战在于如何将会话上下文与背景文档结合起来,以及如何识别文档中的重要信息进行匹配。为了克服这些挑战,DGMN将文档和上下文中的信息融合到彼此的表示中,并且通过在匹配步骤处与响应的分层交互来动态地确定接地是否是必要的以及文档和上下文的不同部分的重要性。两个公开数据集的实证研究表明,DGMN可以显着改善国家的最先进的方法,同时享有良好的解释性。
2019-06-11 cs.CL
Coarse-Tuning for Ad-hoc Document Retrieval Using Pre-trained Language Models
Hitotsubashi University(一桥大学);Tokyo University of Technology(东京工科大学)
本文提出粗调作为预训练与微调间的中间阶段,通过查询-文档对预测(QDPP)学习查询表示及关系,显著提升了四个临时文档检索数据集的MRR和nDCG@5。
2024-03-27 cs.AI cs.CL cs.IR
Improving Low-Resource Cross-lingual Document Retrieval by Reranking with Deep Bilingual Representations
Yale University(耶鲁大学)
在本文中,我们提出了提高低资源的跨语言文档检索性能与深双语查询文档表示。我们用四个组件匹配源语言和目标语言的查询和文档,每个组件都被实现为基于术语交互的深度神经网络,并将跨语言的词嵌入作为输入。通过将查询可能性分数作为额外的特征,我们的模型有效地学习通过使用少量的低资源语言对的相关性标签来重新排序检索到的文档。由于共享的跨语言词嵌入空间,该模型还可以直接应用于另一种语言对,而无需任何训练标签。在MATERIAL数据集上的实验结果表明,我们的模型在英语-斯瓦希里语、英语-塔吉语和英语-索马里语跨语言信息检索任务上的性能优于基于竞争的基线。
2019-06-08 cs.CL
ViSAR: Training-Free Adaptive-$k$ Retrieval for Document Visual Question Answering
INSA Lyon(里昂国立应用科学学院);CNRS(法国国家科学研究中心);EPITA Research Laboratory (LRE)(EPITA研究实验室);Lowit(洛维特公司);LIRIS UMR 5205(里昂信息、图像与智能系统实验室)
ViSAR是一种无需训练的自适应k检索方法,用于视觉文档问答,可动态确定检索页面数量,降低RAG延迟最高58.7%,同时保持或提升答案准确性。
2026-11-17 cs.AI cs.CL cs.CV
VDocRAG: Retrieval-Augmented Generation over Visually-Rich Documents
NTT Human Informatics Laboratories, NTT Corporation(NTT公司人类信息学研究所);Tohoku University(东北大学)
针对混合模态、多样格式的视觉丰富文档,提出VDocRAG框架,以统一图像格式理解文档避免信息丢失,通过自监督预训练任务适配视觉语言模型,还构建OpenDocVQA数据集,实验显示其性能优于传统文本RAG且泛化性强。
2025-04-14 cs.AI cs.CL cs.CV
M3DR: Towards Universal Multilingual Multimodal Document Retrieval
CognitiveLab(认知实验室)
M3DR提出了一种通用多语言多模态文档检索框架,通过对比训练实现跨语言和跨模态对齐,显著提升了多语言场景下的检索性能。
2025-12-03 cs.AI cs.CL cs.CV