RAG-Fusion: a New Take on Retrieval-Augmented Generation
Infineon Technologies(英飞凌科技)
针对快速获取产品信息的需求,本研究评估了结合RAG与RRF的RAG-Fusion方法,发现其能生成更准确全面的答案,但存在查询相关性不足时答案偏题的问题,为AI与NLP的行业应用提供了新进展。
2024-02-21 cs.IR cs.LG
Improving Noise Robustness for Spoken Content Retrieval using Semi-supervised ASR and N-best Transcripts for BERT-based Ranking Models
基于BERT的重新排序和稠密检索(DR)系统已被证明可以提高语音内容检索(SCR)的搜索效率。然而,这两种方法在使用ASR成绩单时仍然可以显示出与准确的手动成绩单相比的有效性降低。我们发现,一个已知的项目搜索任务的How2数据集的口语教学视频显示减少平均倒数排名(MRR)分数的10- 14%。作为一种潜在的方法,以减少这种差异,我们调查使用半监督ASR成绩单和N-best ASR成绩单,以减轻ASR错误的口语搜索使用BERT为基础的排名。半监督的ASR转录本带来了2-5.5%的MRR改善标准的ASR转录本和我们的N-best早期融合方法的BERT DR系统的MRR提高了3- 4%。将半监督转录本与用于BERT DR的N-best早期融合相结合,将手动和ASR转录本之间的搜索效率的MRR差距从14.32%减少到6.58%,减少了50%以上。
2023-01-15 cs.IR
The retrieval effectiveness of search engines on navigational queries
目的-测试主要网络搜索引擎在导航查询方面的性能,即搜索主页。设计/方法/方式- 100个真正的用户查询提出了6个搜索引擎(谷歌,雅虎,MSN,问,Seekport和Exalead)。用户描述所需的页面,并记录这些结果的位置。计算测量的成功N和平均倒数秩。结果-性能的主要搜索引擎谷歌,雅虎和MSN是最好的,约90%的查询回答正确。问和Exalead表现较差,但收到良好的分数以及。研究限制/影响-所有的查询都在德国,德语界面的搜索引擎。因此,结果仅对德语查询有效。实际影响-当设计一个搜索引擎与主要的搜索引擎竞争,应注意的性能上的导航查询。用户可以很容易地影响他们的质量评级的搜索引擎的基础上,这种性能。独创性/价值-本研究系统地比较了主要的搜索引擎的导航查询和比较结果与研究的检索效率的引擎上的信息查询。论文类型-研究论文
2015-11-18 cs.IR
Section-Weighted Hybrid Approach for Legal Case Retrieval
University of Moratuwa(莫拉图瓦大学)
提出一个两阶段、感知章节的法律案例检索框架,先通过大语言模型分割判决书,再结合词法和语义搜索及加权聚合,在司法基准上取得一致提升。
2026-06-02 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
MARVEL: Multimodal Adaptive Reasoning-intensiVe Expand-rerank and retrievaL
Chungbuk National University(忠北国立大学);University of Innsbruck(因斯布鲁克大学)
本文提出MARVEL框架,通过统一的扩展-检索-排序流程,结合LLM驱动的查询扩展、增强推理的密集检索器和基于GPT-4o的逐步推理排序,提升了多模态检索性能,在MM-BRIGHT基准上实现了37.9nDCG@10的高分。
2026-04-08 cs.IR
Evaluating Brand Retrieval and Ranking in Large Language Model Recommendations
Northwestern University(西北大学);Boston University(波士顿大学)
该研究提出一个评估LLM品牌推荐的框架,通过BRP@k和MRR@k指标及重复采样,发现推荐显著性更受市场可见性影响,且品牌可条件性检索,强调应视推荐为随机检索排名过程。
2026-09-16 cs.IR
Writer Identification and Writer Retrieval Based on NetVLAD with Re-ranking
University of Tehran(德黑兰大学)
作者识别和作者检索是文档分析和识别领域的一个具有挑战性的问题。在这项工作中,提出了一种新的流水线的问题,通过采用统一的神经网络架构组成的ResNet-20作为一个特征提取器和一个集成的NetVLAD层,灵感来自本地聚合描述符(VLAD)的矢量,在后面的部分的头部。在定义了这种架构之后,使用三元组半硬损失函数来直接学习针对各个输入图像块的嵌入。随后,广义最大池技术被用于每个手写图像的嵌入式描述符的聚合。此外,一种新的重新排序策略的识别和检索的任务的基础上$k$ -倒数最近邻,它表明,流水线可以从这一步骤中受益匪浅。对三个公开可用的数据集进行了实验评估:ICDAR 2013,CVL和KHATT数据集。结果表明,虽然我们在KHATT上执行了最先进的功能,但我们的作者识别和作者检索管道在mAP方面在ICDAR 2013和CVL数据集上实现了卓越的性能。
2021-02-22 cs.CV cs.IR
Unified Ranking Across Retrieval Channels: A Large-Scale E-Commerce Approach
Data Sciences, Target Corporation(目标公司数据科学部)
本文提出了一种统一的学习排序模型,用于多通道检索中的大规模电商搜索,通过联合优化点击、加购和购买等指标,提升用户转化率。
2026-11-17 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
Scaling Retrieval Augmented Generation with RAG Fusion: Lessons from an Industry Deployment
Dell Technologies(戴尔技术)
本研究发现,在现实生产约束下,RAG融合技术的召回提升在重排序后被抵消,且未带来下游效果的显著改善。
2026-03-02 cs.AI cs.CL cs.IR
Autoregressive Retriever: Improving Query Understanding from Item Feedback for Universal Multimodal Retrieval
School of Computer Science and Technology, Beijing Institute of Technology(北京理工大学计算机科学与技术学院);Zhongguancun Academy(中关村实验室);Xiaohongshu(小红书);Southeast Academy of Information Technology, Beijing Institute of Technology(北京理工大学东南信息科学研究院);Zhongguancun Laboratory(中关村实验室)
针对通用多模态检索中查询表示无法利用检索项目优化的问题,提出ARR模型,通过交替检索项目与更新查询嵌入,结合监督微调与强化学习优化,在域内和零样本基准上性能优于基线。
2026-10-09 cs.CV cs.IR
The Capacity of Symmetric Private Information Retrieval
私有信息检索(PIR)是尽可能有效地从$N$非通信复制数据库(每个数据库保存所有$K$消息)中检索$K$消息之一,同时对每个单独的数据库保持所需消息索引的身份保密的问题。对称PIR(SPIR)是PIR的一般化,包括除了期望的消息之外,用户不了解其他$K-1$消息的要求。SPIR的信息理论容量(相当于最小下载成本的倒数)是每比特下载信息可以私下检索的所需信息的最大比特数。我们表明,SPIR的能力是$1-1/N$消息$K$的数量无关,如果数据库有机会共同的随机性(不提供给用户),这是独立的消息,在金额是至少$1/(N-1)$位每个所需的消息位,否则为零。对SPIR的容量域和有限长SPIR的容量进行了扩展。
2017-07-15 cs.CR cs.IR cs.IT
DS4DH at TREC Health Misinformation 2021: Multi-Dimensional Ranking Models with Transfer Learning and Rank Fusion
本文介绍了数字健康数据科学(DS 4DH)小组在2021年TREC健康错误信息跟踪中的工作。TREC健康错误信息跟踪侧重于开发检索方法,为网络上与健康相关的搜索提供相关、正确和可信的信息。在我们的方法中,我们使用了两步排名方法,包括i)基于BM 25模型的标准检索阶段,以及ii)重新排名阶段,其中模型管道专注于检索文档的有用性,可靠性和可信度维度。为了估计有用性,我们使用基于在MS MARCO语料库上微调的Transformers架构的预训练语言模型对初始排名列表进行分类。为了评估重复性,我们利用了基于BERT的模型,这些模型在科学和维基百科语料库上进行了微调。最后,为了评估文档的可信度,我们采用了一个在Microsoft Credibility数据集上训练的随机森林模型,并结合了一系列可信网站。然后,使用倒数等级融合算法将所产生的排名列表合并,以获得有用、支持和可信文件的最终列表。我们的方法取得了有竞争力的结果,在自动运行的兼容性测量中排名前2。我们的研究结果表明,集成自动排名模型创建的每个信息质量维度与迁移学习可以提高健康相关的信息检索的有效性。
2022-02-14 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
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
Beyond Retrieval: Ensembling Cross-Encoders and GPT Rerankers with LLMs for Biomedical QA
Georgia Institute of Technology(佐治亚理工学院)
本文提出一种结合密集检索、交叉编码器与LLM重排序的RAG系统,用于生物医学问答,在BioASQ 2025任务13b中取得多项领先排名,如事实型问题MRR排名第一。
2025-07-08 cs.CL cs.IR cs.LG
Exp4Fuse: A Rank Fusion Framework for Enhanced Sparse Retrieval using Large Language Model-based Query Expansion
City University of Hong Kong(香港城市大学);The University of Hong Kong(香港大学)
本文提出 Exp4Fuse 排序融合框架,通过融合原始查询与 LLM 零样本扩展查询的稀疏检索结果,在多个数据集上以更低成本取得 SOTA。
2025-06-05 cs.AI cs.CL cs.IR
CO-Search: COVID-19 Information Retrieval with Semantic Search, Question Answering, and Abstractive Summarization
Salesforce Research(赛富时研究院)
2019冠状病毒病全球大流行促使国际社会努力了解、跟踪和减轻这种疾病,产生了跨科学学科的2019冠状病毒病和SARS-CoV-2相关出版物的重要语料库。截至2020年5月,已通过COVID-19开放研究数据集挑战收集了128,000篇与冠状病毒相关的出版物。在这里,我们介绍了CO-Search,这是一个检索器-排名器语义搜索引擎,旨在处理对COVID-19文献的复杂查询,可能有助于负担过重的卫生工作者在危机时期找到科学答案。检索器是建立从Siamese-BERT编码器,是线性组成的TF-IDF矢量化,和倒数秩融合的BM 25矢量化。该排名器是由一个多跳问答模块,连同多段摘要摘要调整检索分数。为了解决特定领域和相对有限的数据集,我们生成了文档段落和引用的二分图,创建了130万个(引用标题,段落)元组用于训练编码器。我们根据TREC-COVID信息检索挑战的数据评估了我们的系统。CO-Search在第一轮和第二轮的数据集上获得了最佳性能,包括几个关键指标:归一化折扣累积增益、精度、平均精度和二进制偏好。
2020-06-17 cs.AI cs.CL 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
LoRACode: LoRA Adapters for Code Embeddings
Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所);AWS GenAI(AWS生成人工智能)
针对代码嵌入在语义搜索中难以兼顾效率与性能的问题,提出基于 LoRA 的参数高效微调方法构建任务特定适配器,将可训练参数降至 2% 以下,在多语言代码检索任务上显著提升 MRR 并开源模型。
2025-06-02 cs.IR cs.LG cs.SE
Analyzing Quality-Latency-Resource Trade-offs in a Technical Documentation RAG Assistant Using LoRA Adaptation
HSE University(俄罗斯高等经济大学)
本研究通过LoRA适配器在RAG系统中分析质量、延迟和资源之间的权衡,发现仅对q和v注意力投影进行适配的配置在帕累托前沿占优。
2026-05-27 cs.CL cs.IR cs.LG
Query Attribute Modeling: Improving search relevance with Semantic Search and Meta Data Filtering
提出查询属性建模(QAM)混合框架,通过将文本查询分解为元数据标签和语义元素提升搜索精度,在亚马逊玩具数据集上mAP@5达52.99%,优于传统搜索方法。
2025-08-06 cs.AI cs.CL cs.IR
EngramRAG: Dynamic Usage-Weighted Topology and Synaptic Consolidation for Multi-Hop Agentic Memory
EngramRAG提出基于CLS的动态记忆架构,通过U-PPR、CATD和SUPERSEDES解决多跳智能体记忆缺陷,在LoCoMo上显著提升检索性能并消除幻觉。
2026-09-29 cs.AI cs.CL cs.IR