GMS-CAVP: Improving Audio-Video Correspondence with Multi-Scale Contrastive and Generative Pretraining
Carnegie Mellon University(卡内基梅隆大学);MBZUAI;Tsinghua University(清华大学)
GMS-CAVP通过多尺度对比和生成预训练方法提升音频视频对应关系建模,实现更深入的跨模态理解和高保真生成。
2026-01-27 cs.AI cs.CV cs.LG
Unsupervised Context Aware Sentence Representation Pretraining for Multi-lingual Dense Retrieval
最近的研究表明,使用预训练的语言模型(PLM),以提高稠密检索和多语言稠密检索的有效性。在这项工作中,我们提出了一个简单而有效的单语预训练任务称为对比上下文预测~(CCP)学习句子表示建模句子水平的上下文关系。通过将句子在局部上下文中的嵌入推得更近,并将随机负样本推得更远,不同语言可以形成同构结构,然后两种不同语言的句子对将自动对齐。实验表明,语言模型对比训练过程中容易出现模型崩溃和信息泄漏,而语言专用存储体和非对称批量归一化操作分别对防止崩溃和信息泄漏起到了至关重要的作用。此外,句子嵌入的后处理也是非常有效的,以实现更好的检索性能。在多语言句子检索任务Tatoeba上,我们的模型在不使用双语数据的情况下实现了新的SOTA结果。我们的模型也显示出较大的增益Tatoeba之间转移时,非英语对。在两个多语言的查询通道检索任务,XOR和TYDI先生,我们的模型甚至实现了两个SOTA结果在所有预训练模型使用双语数据的zero-shot和监督设置。
2022-06-07 cs.IR
C3: Continued Pretraining with Contrastive Weak Supervision for Cross Language Ad-Hoc Retrieval
Johns Hopkins University(约翰斯·霍普金斯大学);University of Maryland(马里兰大学);Emory University(埃默里大学);University of Pennsylvania(宾夕法尼亚大学)
预训练的语言模型提高了许多任务的效率,包括ad-hoc检索。最近的工作表明,在微调检索任务之前,继续用辅助目标预训练语言模型可以进一步提高检索效率。与单语检索不同,为跨语言映射设计适当的辅助任务是具有挑战性的。为了应对这一挑战,我们使用不同语言的维基百科文章来进一步预训练现成的多语言预训练模型,然后再对检索任务进行微调。我们表明,我们的方法产生的检索效果的改善。
2022-04-25 cs.CL cs.IR
Structure-Aware Language Model Pretraining Improves Dense Retrieval on Structured Data
本文提出 SANTA 模型,通过结构化数据对齐和掩码实体预测两种预训练方法使语言模型具备结构感知能力,在代码搜索和产品搜索上达到最先进水平并具备良好零样本性能。
2023-05-31 cs.IR
InstructRetro: Instruction Tuning post Retrieval-Augmented Pretraining
NVIDIA(英伟达);UIUC(伊利诺伊大学厄巴纳-香槟分校)
本文提出Retro 48B,通过检索增强预训练大规模语言模型,并在指令微调后显著提升零样本任务性能,展示了检索预训练在增强GPT解码器方面的潜力。
2024-05-29 cs.AI cs.CL cs.IR
CLASP: Contrastive Language-Speech Pretraining for Multilingual Multimodal Information Retrieval
Qatar Computing Research Institute (QCRI)(卡塔尔计算研究所)
本研究提出多语言多模态检索模型CLASP,结合音频频谱图与预训练自监督语音模型、多语言句子编码器,在自建15类语音文本数据集上训练,在多语言检索指标上超越传统ASR基检索方法。
2025-03-23 cs.CL cs.IR cs.SD
LexMAE: Lexicon-Bottlenecked Pretraining for Large-Scale Retrieval
针对语言建模与词表加权检索的高低熵偏好鸿沟,本文提出 LexMAE 预训练框架,借助连续词袋瓶颈学习重要性感知词表表示,并在 MS-Marco 与 BEIR 上取得高效且领先的检索及零样本迁移性能。
2023-06-04 cs.IR
PairSem: LLM-Guided Pairwise Semantic Matching for Scientific Document Retrieval
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Korea University(高丽大学);National Institutes of Health(美国国立卫生研究院);Pohang University of Science and Technology(浦项科技大学)
PairSem通过实体-属性对捕捉科学概念的多面性,提升科学文档检索的精度和上下文感知能力。
2026-01-25 cs.IR
Sparse Meets Dense: A Hybrid Approach to Enhance Scientific Document Retrieval
本文针对科学文档检索问题,提出结合传统稀疏词袋向量与基于大型语言模型的密集嵌入的混合检索方法,在囊性纤维化医学基准上实验证明该混合模型显著优于单一方法。
2024-01-08 cs.IR
Pretraining De-Biased Language Model with Large-scale Click Logs for Document Ranking
预训练语言模型在各种大规模信息检索任务中取得了巨大的成功。然而,大多数预训练任务是基于伪造的检索数据,其中定制规则产生的查询被假设为用户对给定文档或段落发出的查询。因此,我们探索使用大规模点击日志来预训练语言模型,而不是对模拟查询进行回复。具体来说,我们建议使用用户行为特征来预训练一个用于文档排序的去偏见语言模型。对百度脱敏点击日志的大量实验验证了我们方法的有效性。我们的团队在WSDM Cup 2023网络搜索预训练中以12.16525的折扣累积增益@10(DCG@10)得分在最终排行榜上获得第一名。
2023-02-27 cs.IR
CSDR-BERT: a pre-trained scientific dataset match model for Chinese Scientific Dataset Retrieval
在开放科学运动的推动下,互联网上开放和共享的科学数据集越来越多,有效地检索这些数据集是信息检索研究的一项重要任务。近年来,大模型的发展,特别是预训练和微调范式的发展,为IR匹配任务提供了新的解决方案,该范式涉及对大模型的预训练和对下游任务的微调。本文在嵌入层使用原有的BERT标记,在模型层引入SimCSE和K-最近邻方法改进句子-BERT模型结构,在优化阶段使用余弦损失函数优化目标输出。我们的实验结果表明,我们的模型优于其他竞争模型在公共和自建数据集通过比较实验和消融实现。本研究探索并验证了中文科学数据集语义检索预训练技术的可行性和有效性。
2023-03-30 cs.IR
Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval
Sun Yat-Sen University(中山大学);Beijing Jiaotong University(北京交通大学);PengCheng Laboratory(鹏城实验室);Alibaba Group(阿里巴巴集团)
我们这项研究的目标是研究一个更现实的环境,在其中我们可以对细粒度产品类别进行弱监督多模式实例级产品检索。我们首先贡献了Product 1 M数据集,并定义了两个真正实用的实例级检索任务,以实现对价格比较和个性化推荐的评估。对于这两个实例级任务,如何准确地定位视觉语言数据中提到的产品目标,并有效地减少无关内容的影响是相当具有挑战性的。为了解决这个问题,我们利用训练一个更有效的跨模态相关模型,它是自适应地能够将关键概念信息的多模态数据,通过使用实体图的节点和边缘分别表示实体和实体之间的相似关系。具体而言,提出了一种新的实例级商品检索预训练模型EGE-CMP,该模型通过自监督混合流Transformer将实体知识以节点和子图两种方式显式注入到多模态网络中,减少了不同对象内容之间的混淆,从而有效地引导网络关注具有真实语义的实体.实验结果很好地验证了我们的EGE-CMP的有效性和通用性,优于几个SOTA跨模态基线,如CLIP,UNITER和CAPTURE。
2022-06-17 cs.CV cs.DB cs.IR
CASPER: Concept-integrated Sparse Representation for Scientific Retrieval
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Aalto University(阿尔托大学)
CASPER通过结合令牌和关键词短语实现科学检索中的概念感知稀疏表示,优于现有基线模型并展现良好的可解释性。
2026-01-15 cs.IR
Cross-Media Scientific Research Achievements Retrieval Based on Deep Language Model
Beijing University of Posts and Telecommunications(北京邮电大学)
科技大数据中包含大量跨媒体信息,科技论文中有图片也有文字,单一模态的检索方法不能很好地满足科研人员的需求,提出了一种基于深度语言模型(CARDL)的跨媒体科研成果检索方法,通过学习不同模态数据之间的语义关联,实现跨媒体语义的统一表示,将其应用于科研成果文本语义向量的生成,通过不同模态数据之间的语义相似度匹配实现跨媒体检索,实验结果表明,提出的CARDL方法取得了比现有方法更好的跨模态检索性能。关键词科技大数据;跨媒体检索;跨媒体语义联想学习;深度语言模型;语义相似度
2022-03-29 cs.AI cs.IR
Claim2Source at CheckThat! 2026: Improving Multilingual Scientific Claim-Source Retrieval with Verification-based Re-Ranking
Friedrich-Alexander University of Erlangen–Nuremberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学)
针对多语言科学声明-来源检索任务,提出多阶段检索框架,结合结构化表示与渐进候选优化,采用双语声明、元数据增强源表示及语言适配,经多步检索提升性能,在比赛中获佳绩。
2026-07-07 cs.IR
MeVer at CheckThat! 2026: Cluster-Aware Hard-Negative Mining for Multilingual Scientific Source Retrieval
针对社交媒体主张的科学文献来源检索任务,提出聚类感知的难负样本挖掘策略,结合密集检索、重排序和基于LLM的争议解决器,在共享任务中排名第6。
2026-07-06 cs.IR
CoT-MAE v2: Contextual Masked Auto-Encoder with Multi-view Modeling for 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)
本研究提出CoT-MAE v2,通过引入结合密集与稀疏向量的多视图表示及联合自编码与自回归的多视图解码范式,改进上下文掩码自编码器,有效提升了大规模段落检索与域外零样本检索的性能。
2023-04-05 cs.AI cs.CL cs.IR
KhyontekAI at CheckThat! 2026: Multilingual Dense Retrieval and Cross-Encoder Reranking for Scientific Web Claims
Tezpur University(特兹普尔大学)
该研究针对社交媒体科学断言的多语言来源检索难题,提出结合微调密集检索与交叉编码器重排序的两阶段框架,经实验验证元数据丰富化及交叉编码器重排序可提升效果,在CLEF 2026任务中取得多语言MRR@5的优异成绩。
2026-10-14 cs.CL cs.IR
Enhancing Scientific Literature Chatbots with Retrieval-Augmented Generation: A Performance Evaluation of Vector and Graph-Based Systems
本文通过对比向量和图基检索系统,评估了检索增强生成在提升科学文献聊天机器人性能中的效果,展示了混合系统在提高科学知识可及性方面的潜力。
2026-02-19 cs.AI cs.IR
Scientific Claim-Source Retrieval Revisited: A Comparative Study of Style Transfer and Re-Ranking
TU Dresden & ScaDS.AI Dresden/Leipzig(德累斯顿工业大学与ScaDS.AI 德累斯顿/莱比锡);Friedrich-Alexander University of Erlangen–Nuremberg(埃尔朗根-纽伦堡弗里德里希·亚历山大大学)
研究社交媒体科学声明源检索难题,对比稀疏和密集检索模型,发现翻译声明、纳入元数据、风格迁移及新型重新排序方法可提升检索性能,基于验证的重新排序效果最佳,MRR@5达0.758。
2026-07-20 cs.IR
Searching Scientific Literature for Answers on COVID-19 Questions
CSIRO Data61(澳大利亚联邦科学与工业研究组织 Data61);The Australian National University(澳大利亚国立大学)
随着新信息逐渐可用,寻找与新型疾病大流行相关的答案对信息查找和检索提出了新的挑战。TREC COVID搜索跟踪旨在帮助创建搜索工具,以帮助科学家,临床医生,政策制定者和其他有类似信息需求的人从科学文献中找到可靠的答案。我们尝试不同的排名算法,作为我们参与这项挑战的一部分。我们提出了一种新的神经检索方法,并证明了其在TREC COVID搜索上的有效性。
2020-07-06 cs.IR cs.LG
Advancing Scientific Knowledge Retrieval and Reuse with a Novel Digital Library for Machine-Readable Knowledge
TIB - Leibniz Information Centre for Science and Technology(德国国家技术与自然科学图书馆(TIB)- 莱布尼茨科学与技术中心)
针对现有研究型数字图书馆难以支持机器高效复用科学知识的问题,提出ORKG reborn这一新兴数字图书馆,通过机器可读知识表达式关联科学陈述与证据,支持准确细粒度知识的查找复用,展示了其可行性与潜力。
2025-11-11 cs.IR
DS@GT at CheckThat! 2025: Exploring Retrieval and Reranking Pipelines for Scientific Claim Source Retrieval on Social Media Discourse
Georgia Institute of Technology(佐治亚理工学院)
针对社交媒体科学声明缺乏来源的问题,DS@GT团队在CheckThat! 2025任务4b中探索多种数据增强、检索重排序流水线并微调双编码器,MRR@5达0.58,较BM25基线提升0.15。
2025-07-09 cs.CL cs.IR
A Framework for Scientific Paper Retrieval and Recommender Systems
信息检索(IR)和推荐系统(RS)已经被用于解决在文献综述和整个学术交流生命周期期间执行的搜索任务。大部分的研究都集中在算法设计,以提高这些系统的准确性和实用性。与学术任务相关的上下文元素在很大程度上被忽视了。在本文中,我们提出了一个框架,称为科学论文推荐和检索框架(SPRRF)相结合的用户角色建模和用户界面功能与IR/RS组件方面。该框架是基于八个新兴的主题,从参与者的反馈,在一个原型辅助系统进行的用户评价研究。119名研究人员参与了该研究,以评估原型系统,该系统为两个文献综述和一个手稿写作任务提供建议。这一整体框架旨在指导这一领域的未来研究。
2016-09-06 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
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
UniFAR: A Unified Facet-Aware Retrieval Framework for Scientific Documents
School of Computer Science and Engineering, Beihang University(北京航空航天大学计算机学院);School of Artificial Intelligence, Beihang University(北京航空航天大学人工智能学院)
UniFAR提出一种统一的面向面检索框架,通过自适应多粒度聚合、可学习的面向锚点和联合训练,有效解决文档与问题驱动检索之间的不匹配问题,提升科学文档检索性能。
2026-09-01 cs.IR
Multimodal Generative Retrieval Model with Staged Pretraining for Food Delivery on Meituan
Beijing University of Posts and Telecommunications(北京邮电大学)
本文提出一种具有分阶段预训练的多模态生成检索模型,通过分阶段任务优化和语义ID利用,提升美团外卖检索性能与商业收益。
2026-02-06 cs.AI cs.IR
Retrieval of Scientific and Technological Resources for Experts and Scholars
School of Computer Science (National Pilot School of Software Engineering), Beijing University of Posts and Telecommunications(北京邮电大学计算机学院(国家软件工程试点学院));Beijing Key Laboratory of Intelligent Telecommunication Software and Multimedia(北京智能电信软件与多媒体重点实验室)
针对专家学者科技资源因信息不对称无法与社会及时对接、需求难以精准匹配的问题,从文本关系提取、知识表示学习、向量检索和可视化系统四方面梳理相关研究工作,以助力建立专家学者信息数据库及检索服务。
2026-07-10 cs.AI cs.IR
Scientific and Technological Information Oriented Semantics-adversarial and Media-adversarial Cross-media Retrieval
Beijing University of Posts and Telecommunications(北京邮电大学)
针对现有跨媒体检索方法忽略语义一致性与语义内媒体判别性的问题,提出面向科技信息的SMCR方法,通过双损失优化与双映射网络提升检索性能,实验效果优于现有最优方法。
2024-10-30 cs.AI cs.IR
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
The Next Phase of Scientific Fact-Checking: Advanced Evidence Retrieval from Complex Structured Academic Papers
University of Sheffield(谢菲尔德大学)
本文针对现有科学事实核查仅依赖摘要的局限,提出面向全文复杂结构化文献的高级证据检索框架,涵盖证据驱动检索、时间感知引文追踪、结构化解析、复杂表达处理及文献可信度评估,并通过初步实验验证其可行性。
2025-06-29 cs.CL cs.IR
LongEval at CLEF 2025: Longitudinal Evaluation of IR Systems on Web and Scientific Data
The Open University(开放大学);Research Studios Austria, Data Science Studio(奥地利研究工作室,数据科学工作室);TU Wien(维也纳工业大学);University of Stavanger(斯塔万格大学);Univ. Grenoble Alpes, CNRS, Grenoble INP(格勒诺布尔阿尔卑斯大学,法国国家科学研究中心,格勒诺布尔理工学院);TH Köln - University of Applied Sciences(科隆应用技术大学)
LongEval 2025 通过两个动态数据集和两项检索任务,从时间维度评估检索系统在数据变化下的效果稳定性,并基于 nDCG 等指标对 19 支参赛团队的方法进行了纵向评测。
2025-09-22 cs.IR
Scientific Paper Retrieval with LLM-Guided Semantic-Based Ranking
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Korea University(韩国大学)
针对现有科学论文检索方法难捕捉细粒度科学概念、LLM查询理解缺乏语料知识锚定的问题,提出结合LLM引导查询理解与概念语义索引的SemRank框架,实现精准语义匹配,提升检索性能且保持高效。
2025-10-06 cs.AI cs.CL cs.IR
Can Retrievers Find the Same Paper from Different Aspects? A Multi-Aspect Full-Paper Scientific Retrieval Benchmark
Zhejiang University(浙江大学);Westlake University(西湖大学);Alibaba Group(阿里巴巴集团);Shanghai Jiao Tong University(上海交通大学)
该研究推出多方面全论文科学检索基准MAPLE及查询生成流程MAPLE-Synth,发现现有检索器在从单一方面与多方面检索论文间存在显著差距,为相关检索器研发提供测试平台。
2026-08-18 cs.IR
SQuAI: Scientific Question-Answering with Multi-Agent Retrieval-Augmented Generation
TU Dresden(德累斯顿理工大学)
SQuAI是一个多智能体检索增强生成框架,通过分解问题、混合检索和自适应过滤,在230万篇论文上提升科学问答的忠实性和相关性,并发布千级基准。
2025-10-17 cs.CL cs.IR
TCA-SIR: Learning Target-Conditioned Abstractions for Scientific Inspiration Retrieval
University of Colorado Denver(科罗拉多大学丹佛分校)
TCA-SIR将科学灵感检索重新定义为面向目标的抽象学习,在ResearchBench上较MOOSE-Chem提升HitRate@top4%超10个百分点,实现更优检索与可解释性。
2026-07-31 cs.AI cs.CL cs.IR
RATIO: A Benchmark for Retrieval Across Typed Ideation Operations in Scientific Literature
The Hebrew University of Jerusalem(耶路撒冷希伯来大学);The Allen Institute for AI (AI2)(艾伦人工智能研究所)
本研究提出名为RATIO的大规模基准,定义三类构思操作的检索任务,构建时结合话语标记远程监督与LLM及人工审核,实验显示操作特定微调可提升检索器性能,为科学灵感检索提供新框架。
2026-10-15 cs.CL cs.IR
Advancements in scientific data searching, sharing and retrieval
Open Archive Initiative Protocol for Metadata Handling(OAI-PMHiii)是一个标准,它被越来越多地用作交换结构化元数据的手段。OAI-PMH实现必须支持Dublin Core作为元数据标准,其他元数据格式是可选的。我们已经开发了一些工具,使Mercury能够以我们支持的任何元数据格式(Dublin Core、Darwin Core、FCDC CSDGM、GCMD DIF、EML和ISO 19115/19137)使用OAI-PMH服务中的元数据。我们还通过OAI-PMH提供ORNL DAAC元数据,供其他元数据工具使用。本文介绍了Mercury的多种元数据格式的功能,一般来说,更具体地说,我们的OAI-PMH实施的结果和经验教训。
2010-12-30 cs.IR
SciRet: A Compute-Aware Empirical Study of Retrieval and Reranking for Scientific RAG
该研究针对CORD-19科学问答开展SciRet实证研究,评估固定科学RAG流程在不同语料库规模下的表现,发现混合检索更稳健、MS MARCO训练的重排序器存在领域不匹配问题,生成忠实度随语料库规模提升,并发布相关资源支持后续研究。
2026-08-05 cs.AI cs.CL cs.IR
Annotation of Scientific Summaries for Information Retrieval
我们提出了一种结合表面NLP和机器学习技术的方法,用于基于注释语料库对摘要进行排名和生成摘要。语料库中标注了元语义标签,表明句子承载的信息类别(目标,发现,新事物,假设,结论,未来的工作,相关工作)。标注后的语料被输入自动摘要器,用于面向查询的摘要排序和多摘要摘要。为了使摘要器适应这两个任务,设计了两个新的加权函数,以考虑语料库中标签的分布。结果,虽然仍然是初步的,鼓励我们追求这条线的工作,并找到更好的方法来建立IR系统,可以考虑到语义标注的语料库。
2011-10-26 cs.IR
Re-ranking and Late Interaction Drive Retrieval Quality: A Controlled Comparison of RAG Strategies for Scientific Question Answering
San Jose State University(圣何塞州立大学)
本研究受控比较六种RAG检索策略,发现重排序与后期交互显著提升科学问答检索质量,并发布含19,484个合成问题的开放测试平台。
2026-10-01 cs.AI cs.IR cs.LG
Multimodal Hybrid Retrieval-Augmented Generation for Scientific Document Understanding using Open-Source SLMs
Faculty of Electronics, Telecommunications and Information Technology(电子、电信与信息技术学院);University Politehnica of Bucharest(布加勒斯特理工大学)
针对科学文档理解中大型语言模型的问题,提出多模态混合检索增强生成系统。利用开源视觉语言模型生成摘要,结合多种检索方法并优化,采用查询压缩器确保连贯性。经评估,该系统提高了检索质量,验证了开源模型与先进策略结合的竞争力。
2026-07-29 cs.AI cs.IR
Bibliometric-Enhanced Information Retrieval: 5th International BIR Workshop
文献计量学增强的信息检索(BIR)研讨会是IR研究人员的年度聚会,他们讨论科学语料库和文献计量学方面的各种信息相关任务。研讨会的特点是采用新颖的方法从科学文献和相关信息网络(例如,术语、作者、机构、参考文献)。我们欢迎对专用IR系统进行详细说明的贡献,以及揭示科学知识如何创建,传播和使用的原始特征的研究。在本文中,我们介绍了BIR研讨会系列,并讨论了一些选定的文件,在以前的BIR研讨会。
2017-10-30 cs.DL cs.IR
AIRwaves at CheckThat! 2025: Retrieving Scientific Sources for Implicit Claims on Social Media with Dual Encoders and Neural Re-Ranking
TU Wien(维也纳技术大学)
本研究提出双编码器与神经重排序的两阶段检索流程,用于社交媒体隐含科学声明的证据检索,在CheckThat! 2025中显著提升MRR@5至0.6828。
2025-09-23 cs.AI cs.IR cs.LG
Weakly-Supervised Scientific Document Classification via Retrieval-Augmented Multi-Stage Training
Emory University(埃默里大学);Georgia Institute of Technology(佐治亚理工学院)
针对科学文献分类标注成本高、标签与文献难匹配的问题,提出仅用标签名的弱监督框架WANDER,结合检索增强、标签扩展与自训练,在三个数据集上平均超最优基线11.9%。
2023-06-12 cs.CL cs.IR
LLM-Based Generative Retrieval for Snapchat Content Recommendation
Snap, Inc.(Snap公司)
该研究针对将预训练LLM转化为生成式检索器的挑战,设计了SnapLGR系统,通过三项核心优化实现了Snapchat短视频推荐效果的提升。
2026-08-19 cs.IR
Comparing Retrieval Strategies to Capture Interdisciplinary Scientific Research: A Bibliometric Evaluation of the Integration of Neuroscience and Computer Science
Université de Montréal(蒙特利尔大学);Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET)(阿根廷国家科学研究委员会);Universidad Nacional de Córdoba(科尔多瓦国立大学)
该研究针对跨学科语料库构建方法匮乏的问题,以神经科学与计算机科学交叉领域为案例,开发并对比了四种检索策略,发现基于参考文献的策略检索效果更优,该方法可推广至多类跨学科领域。
2025-10-28 cs.DL cs.IR
CMT in TREC-COVID Round 2: Mitigating the Generalization Gaps from Web to Special Domain Search
Tsinghua University(清华大学);Microsoft Research(微软研究院);Carnegie Mellon University(卡内基梅隆大学)
基于深度预训练语言模型(LM)的神经排序器已被证明可以改进许多信息检索基准。然而,这些方法受到预训练域和目标域之间的相关性的影响,并且依赖于大量的微调相关性标签。直接将预训练方法应用于特定领域可能会导致次优搜索质量,因为特定领域可能存在领域适应问题,例如COVID领域。本文提出了一个搜索系统,以减轻特殊领域的适应问题。该系统利用领域自适应预训练和少样本学习技术来帮助神经排序器缓解领域差异和标签稀缺问题。此外,我们也整合了稠密检索,以减轻传统稀疏检的词汇不匹配障碍。我们的系统在TREC-COVID任务的第二轮非手动运行中表现最好,该任务旨在从与COVID-19相关的科学文献中检索有用的信息。我们的代码可在https://github.com/thunlp/OpenMatch上公开获取。
2020-11-03 cs.CL cs.IR
PISCO: Pretty Simple Compression for Retrieval-Augmented Generation
NAVER LABS Europe(NAVER LABS欧洲)
PISCO是一种无需预训练或标注数据的文档压缩方法,通过序列级知识蒸馏在RAG问答任务中实现16倍压缩率且精度损失极小,比现有模型高8%。
2025-01-27 cs.AI cs.CL cs.IR
Deep Retrieval at CheckThat! 2025: Identifying Scientific Papers from Implicit Social Media Mentions via Hybrid Retrieval and Re-Ranking
University of Zurich(苏黎世大学);Centre for Artificial Intelligence(人工智能中心);Zurich University of Applied Sciences(应用科学大学);Institute of Neuroinformatics(神经信息学研究所);European Centre for Living Technology(欧洲生活技术中心)
本文提出结合 BM25、FAISS 稠密检索与 LLM 重排序的混合检索流程,用于从社交媒体帖子中检索科学文献,在 CheckThat! 2025 子任务 4b 中取得开发集第 1、测试集第 3 的成绩。
2025-07-04 cs.AI cs.IR
AgAsk: An Agent to Help Answer Farmer's Questions From Scientific Documents
农业决策越来越受数据驱动;然而,宝贵的农业知识往往被锁在自由文本报告、手册和期刊文章中。需要专门的搜索系统,能够挖掘农业信息,为用户的问题提供相关的答案。本文介绍了AgAsk --一个能够通过挖掘科学文献回答自然语言农业问题的智能体。我们认真调查和分析农民的信息需求。在这些需求的基础上,我们发布了一个信息检索测试集,包括真实的问题,一个大的科学文献集,分为段落,地面真理相关性评估表明哪些段落与每个问题相关。我们实现和评估了一些信息检索模型来回答农民的问题,包括两个国家的最先进的神经排序模型。我们表明,神经排名是非常有效的匹配通道的问题,在这种情况下。最后,我们提出了一个AgAsk的部署架构,其中包括基于Telegram消息传递平台的客户端和部署在商品硬件上的检索模型。我们提供的测试集旨在激发更多的研究方法,以匹配自然语言的科学文献中的答案。虽然在农业领域的检索模型进行了评估,他们是generalisable和其他人的兴趣,类似的问题。测试集可在以下网址获得:\url{https://github.com/ielab/agvaluate}。
2022-12-21 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
IRPAPERS: A Visual Document Benchmark for Scientific Retrieval and Question Answering
Weaviate
IRPAPERS基准通过比较图像和文本检索系统,揭示了多模态混合搜索在科学文档检索和问答中的优势。
2026-02-05 cs.AI cs.CL cs.IR