ADAM: A Systematic Data Extraction Attack on Agent Memory via Adaptive Querying
University of Massachusetts Lowell, USA（马萨诸塞大学洛厄尔分校）；Amazon, USA（亚马逊）；University of South Florida, USA（南佛罗里达大学）；Rochester Institute of Technology, USA（罗切斯特理工学院）；Purdue University, USA（普渡大学）；North Carolina State University, USA（北卡罗来纳州立大学）
本文提出ADAM攻击，通过估计受害者代理内存的数据分布和熵引导查询策略，提升隐私泄露效果，实验显示其攻击成功率高达100%。
2026-04-10 cs.AI cs.CR
SkillTrace: Traversing a Query-Skill Graph for Composable LLM Agents
SkillTrace通过查询-技能图的三个层级关系实现技能组合，在SkillsBench和ALFWorld上取得SOTA性能，且对不同骨干语言模型具备通用性。
2026-08-05 cs.AI
StreamMem: Query-Agnostic KV Cache Memory for Streaming Video Understanding
Meta AI；New York University（纽约大学）
本文提出StreamMem，一种查询无关的流式KV缓存记忆机制，通过流式编码视频帧并利用注意力分数压缩KV缓存，在固定内存下实现长视频高效问答，在多个基准上达到领先性能。
2025-08-21 cs.AI cs.CV
Auditing Agent Actions through Query-Conditioned Attribution
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；IBM（国际商业机器公司）
提出查询条件智能体行为归因任务及A3Bench基准，利用小型开放权重模型结合梯度显著性与语义相关性高效归因，显著提升准确率并降低延迟。
2026-10-01 cs.AI cs.CL
WEQA: Wearable hEalth Question Answering with Query-Adaptive Agentic Reasoning
University of Cambridge（剑桥大学）；Tsinghua University（清华大学）；University College London（伦敦大学学院）；Dartmouth College（达特茅斯学院）；Google Research（谷歌研究院）
提出WEQA框架，通过LLM控制器动态组合传感器分析与预训练模型，实现可穿戴健康数据问答，在基准测试中准确率提升24%，专家评估显示实用性和临床合理性显著提高。
2026-06-17 cs.AI
MAFIA: Query-Only Memory Attacks via Probing and Factual Injection against Audited LLM Agents
本研究针对经审计的LLM智能体，提出MAFIA攻击框架，通过放置策略与伪装有效载荷实现高攻击成功率，大幅降低审计检测率，揭示智能体内存系统的关键漏洞。
2026-08-05 cs.AI
Graph Query Generation with Constraint-guided Large Language Agents
Case Western Reserve University（凯斯西储大学）；Amazon（亚马逊）；Meta
本文提出UniQGen框架，利用大语言模型动态提取和优化图查询子句，提升查询准确性和效率，在多个基准测试中表现优异，适用于企业级知识图谱问答。
2026-04-09 cs.AI cs.CL cs.DB
Leveraging LLM-Assisted Query Understanding for Live Retrieval-Augmented Generation
Renmin University of China（中国人民大学）
本文提出 Omni-RAG 框架，通过 LLM 辅助的查询理解模块（查询去噪与分解、意图感知检索、重排序与生成），提升实时 RAG 系统处理含噪及多意图查询的鲁棒性。
2025-06-26 cs.AI cs.CL cs.IR
RACER: Reflective Agent Coupling Query Interpretation and Tool-Based Retrieval for Frame Selection in Long Video Understanding
Northeastern University（东北大学）
针对长视频帧选择中的查询理解与解释-选择鸿沟，提出无需训练的反思式智能体框架RACER，通过轻量级Vid-LLM解释查询和嵌入模型检索证据，并迭代反思，提升长视频理解性能。
2026-10-08 cs.AI cs.CV
Reformulate, Retrieve, Localize: Agents for Repository-Level Bug Localization
Concordia University（康科迪亚大学）；Toronto Metropolitan University（多伦多 Metropolitan 大学）
本文提出利用LLM代理通过查询重新表述和摘要改进仓库级缺陷定位，实现更高效的文件级定位性能。
2025-12-07 cs.AI cs.IR cs.SE
The Retriever Should Remember: Experience-Amortized Reranking for Long-Term Agent Memory
针对长期语言模型智能体检索器不积累经验的问题，提出EARM框架，结合观测与估计评分重排序，提升答案准确率并降低LLM重排序推理开销。
2026-08-25 cs.AI
Smoothing Grounding and Reasoning for MLLM-Powered GUI Agents with Query-Oriented Pivot Tasks
School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院）
提出query inference方法作为GUI定位与推理间的桥梁，通过推断用户查询解决格式差异，在极小数据规模下超越现有grounding技术并提升推理性能。
2025-03-04 cs.AI cs.CL cs.CV
Demonstrating GenDB: Instance-Optimized and Customized Query Processing Code Generation via LLM Agents
Cornell University（康奈尔大学）
研究针对传统查询处理引擎扩展难题，提出GenDB生成式查询引擎，借助大语言模型代理生成代码。核心方法是通过LLM agents为特定场景生成优化代码，主要贡献是展示其工作流程、性能优势并提供用户探索平台。
2026-07-24 cs.AI cs.CL cs.DB
Natural Language Query to Configuration for Retrieval Agents
UC Berkeley（加州大学伯克利分校）；University of Washington（华盛顿大学）；Microsoft Azure Research - Systems（微软Azure研究 - 系统）
提出BRANE方法，利用LLM将查询转换为工作负载特征，并训练轻量级预测器选择最优配置，在多个基准上实现成本-质量帕累托前沿的优化。
2026-05-26 cs.AI cs.SY eess.SY
QUITE: A Query Rewrite System Beyond Rules with LLM Agents
Sichuan University（四川大学）；Cornell University（康奈尔大学）；Purdue University（普渡大学）；Hong Kong University of Science and Technology（香港科学与技术大学）；Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心）
QUITE利用LLM代理超越规则，通过多代理框架、中间件和提示注入技术实现更高效的SQL查询重写，提升性能并覆盖更广的查询模式。
2026-01-02 cs.AI cs.DB
FragFuse: Bypassing Access Control of Large Language Model Agents via Memory-Based Query Fragmentation and Fusion
University of Georgia（佐治亚大学）；University of Chicago（芝加哥大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
提出FragFuse攻击，利用LLM智能体的长期记忆机制，将违禁内容碎片化存储后融合重构，绕过访问控制，平均绕过成功率达86.3%。
2026-06-16 cs.AI cs.CR
QUMem: Personalized Memory for Query-Conditioned User-State Inference in LLM Agents
QUMem 是一种结构化记忆框架，通过分割交互历史、分解记忆类型、多查询检索等方法，在 PersonaMem 和 KnowU-Bench 上实现了查询条件用户状态推理的最优性能，提升了大语言模型智能体的长期个性化能力。
2026-08-18 cs.AI cs.CL
See More, Think Deeper: Query-Expanded Visual Evidence and Answer-Clue Guided Reflection for Long Video Understanding
Baidu Inc.（百度公司）；Harbin Institute of Technology（哈尔滨工业大学）；Hong Kong University of Science and Technology（香港科技大学）
提出CoVER框架，通过动态收集查询扩展视觉证据和答案特定视觉反馈验证草稿答案，实现从答案中心生成到证据中心和视觉可验证推理的转变，在长视频理解任务上超越同规模模型及部分闭源模型。
2026-06-08 cs.AI cs.CV
A Query Engine for the Agents
Hyperparam（Hyperparam公司）
提出一个轻量级、JS原生、支持异步SQL和LLM UDF的查询引擎Hyperparam，用于在AI应用中分析非结构化文本，性能优于DuckDB-WASM。
2026-05-27 cs.AI cs.DB
APDMem: Agent-Controlled Progressive Disclosure for Query-Adaptive Long-Term Memory
Machine Learning Center of Excellence, JPMorgan Chase & Co.（摩根大通卓越机器学习中心）
APDMem提出一种智能体控制的渐进式披露记忆架构，通过分层检索和自适应成本-保真度权衡，在长对话记忆中高效恢复证据，仅访问8%对话即达强性能。
2026-10-05 cs.AI cs.CL
Graph Memory for LLM Agents: At What Cost? A Comparative Evaluation of Query, Ingest, and Update Performance Across Graph Database Engines
Corvic AI Research（Corvic人工智能研究院）；UT Austin（德克萨斯大学奥斯汀分校）
本文构建生物医学属性图基准，比较八种图数据库引擎在查询、摄取和更新上的性能，发现无绝对最快系统，且批量摄取成本差异主导总拥有成本。
2026-09-22 cs.AI cs.DB
Query-Conditioned Evidential Keyframe Sampling for MLLM-Based Long-Form Video Understanding
Duke University（杜克大学）；Independent Researcher（独立研究员）
本文提出基于信息瓶颈理论的证据驱动关键帧采样框架，通过最大化选帧与查询的条件互信息，提升长视频理解性能，实验表明在严格token预算下优于现有方法。
2026-11-04 cs.AI cs.CV cs.LG
CIFQA: A Deterministic Tool-Grounded Multi-Agent LLM Framework for Financial Query Answering
School of Artificial Intelligence and Data Science, Indian Institute of Technology Jodhpur（印度理工学院焦特布尔分校人工智能与数据科学学院）
本研究针对LLM多步骤金融计算易出错的问题，提出CIFQA多智能体框架，在定期存款查询基准上准确率达95.54%，且17B开源模型在该框架内表现优于更大前沿模型，证明架构设计对数值可靠性更关键。
2026-08-28 cs.AI cs.CL q-fin.CP
VideoRouter: Query-Adaptive Dual Routing for Efficient Long-Video Understanding
School of Electronic and Computer Engineering, Peking University（电子与计算机工程学院，北京大学）
VideoRouter通过双路由框架实现高效长视频理解，通过语义路由和图像路由动态分配证据，减少冗余token，提升压缩效率。
2026-05-08 cs.AI cs.CV
Fan Out or Relay? Ownership-Aware Routing for LLM Agents Querying Siloed Tables
University of California San Diego（加利福尼亚大学圣迭戈分校）
针对LLM智能体查询孤立表的场景，提出所有权感知路由（OAR）方法，其在多数设置下准确率不劣于最优固定协议，在特定数据集上还优于所有固定协议。
2026-10-14 cs.AI cs.CL cs.MA
Who Belongs in the Eval Set? A Capability-Taxonomy-Driven Pipeline for Curating Regression Eval Sets in Agent-Extensibility Platforms
Microsoft（微软）；Indian Institute of Technology Roorkee（鲁尔基印度理工学院）
针对智能体可扩展性平台的回归评估集编建问题，提出基于能力分类法的流水线，通过三个组件实现查询决策，可适配带类型化能力分类法的各类编建场景。
2026-08-04 cs.AI cs.LG cs.SE
Learning Query-Aware Budget-Tier Routing for Runtime Agent Memory
Nanyang Technological University（南洋理工大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Illinois Chicago（伊利诺伊大学香槟分校）；Tsinghua University（清华大学）；Sun Yat-sen University（中山大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
提出 BudgetMem 框架，通过强化学习训练的轻量级路由器实现查询感知的预算层级路由，以在运行时平衡任务性能与记忆构建成本。
2026-05-27 cs.AI cs.CL cs.LG
Graph Enhanced BERT for Query Understanding
Michigan State University（密歇根州立大学）；Baidu Inc.（百度公司）；New Jersey Institute of Technology（新泽西理工学院）
本文提出GE-BERT，一种图增强预训练框架，通过构建查询图并利用搜索日志中的点击行为，同时捕捉查询的语义与用户行为信息，以提升查询理解任务的性能。
2023-11-17 cs.AI cs.IR
Deep Search Query Intent Understanding
LinkedIn（领英）
理解用户在搜索背后的查询意图对于现代搜索引擎的成功至关重要。准确的查询意图预测允许搜索引擎通过呈现来自更相关类别的结果来更好地服务于用户的需求。本文的目的是提供一个全面的学习框架，在不同阶段的搜索建模查询意图。我们专注于设计1）预测用户的意图，因为他们在typeahead搜索中使用字符级模型在运行中输入查询; 2）准确的单词级意图预测模型，用于完整的查询。实验了用于查询文本理解的各种深度学习组件。离线评估和在线A/B测试实验表明，所提出的方法是有效的理解查询意图和有效的在线搜索系统的规模。
2020-08-18 cs.AI cs.CL cs.IR
Techniques for Deep Query Understanding
查询理解关注的是通过用户的公式化查询来推断其精确的搜索意图，这是具有挑战性的，因为查询通常非常短且模糊。该报告讨论了各种类型的查询，可以把一个搜索引擎，并说明了查询理解的作用，为返回相关的结果。随着对查询和文档的深入理解技术的不同进步，搜索技术经历了三个主要时代。许多有趣的现实世界的例子被用来说明查询理解在其中的作用。查询理解模块负责纠正用户在查询中的错误，指导用户提出具有精确意图的查询，并精确推断用户查询的意图。该报告描述了处理上述三项任务的完整架构，然后通过知名会议和期刊的适当论文讨论了每个组件的基本和最新先进技术。
2015-05-19 cs.IR
A Term-Based Methodology for Query Reformulation Understanding
任何涉及会话搜索的研究的关键是理解用户的查询在整个会话中如何演变。当用户创建查询重构时，他或她有意识地保留原始查询中的术语，删除其他术语并添加新术语。通过测量查询之间的相似性，我们可以推断用户的信息需求，以及他们的新查询可能会有多成功。通过识别添加术语的来源，我们可以推断用户的动机并了解他们的交互。在本文中，我们提出了一种新的基于术语的方法来理解和解释查询重构行动。我们使用TREC会话跟踪数据来演示我们的技术是如何能够从查询日志中学习的，我们利用点击数据来测试用户交互行为时，重新制定查询。我们确定和评估一系列基于术语的查询重构策略，并表明我们的方法提供了宝贵的见解，了解查询重构会话搜索。
2016-01-19 cs.IR
Beyond Parallel Sampling: Diverse Query Initialization for Agentic Search
Carnegie Mellon University（卡内基梅隆大学）；Instituto Superior Técnico and INESC-ID, University of Lisbon（里斯本大学高等技术学院和INESC-ID）；NOVA LINCS, NOVA School of Science and Technology（新里斯本大学科学与技术学院NOVA LINCS）
针对智能搜索中的广度缩放，提出DivInit方法，通过在第一轮生成多样化查询而非独立采样，缓解查询冗余问题，在多跳问答任务中平均提升5-7个点。
2026-06-17 cs.AI cs.IR
Exploring Query Understanding for Amazon Product Search
本文基于 Amazon Search 真实系统开展为期一年的研究，分析查询理解对商品排序特征、模型评估的影响，并提出基于查询理解的多任务排序框架。
2024-08-05 cs.IR
DREQ: Document Re-Ranking Using Entity-based Query Understanding
University of Edinburgh（爱丁堡大学）；University of Glasgow（格拉斯哥大学）
本文提出面向实体的稠密重排序模型DREQ，通过强化查询相关实体并削弱无关实体构建查询特定的混合文档表示，在四个基准上超越现有神经与非神经重排序方法。
2024-01-11 cs.AI cs.IR
Multimodal Query Suggestion with Multi-Agent Reinforcement Learning from Human Feedback
本文提出多模态查询建议任务及RL4Sugg框架，利用大型语言模型和多智能体强化学习优化图像查询建议，提升搜索意图与多样性，实验显示18%改进并已应用于实际产品。
2024-02-09 cs.IR
Agentic SPARQL: Evaluating SPARQL-MCP-powered Intelligent Agents on the Federated KGQA Benchmark
WU Vienna（维也纳经济大学）；Leuphana Universität Lüneburg（吕讷堡大学）；Complexity Science Hub Vienna（维也纳复杂性科学中心）
本文探讨了基于SPARQL-MCP的智能代理在联邦SPARQL查询中的潜力，扩展了知识图谱问答基准，并评估了通过MCP集成SPARQL联邦与LLM代理的能力。
2026-04-09 cs.AI cs.IR cs.MA
Query Understanding via Entity Attribute Identification
理解搜索者的查询是语义搜索系统的重要组成部分。在许多情况下，搜索查询涉及知识库（KB）中的实体的特定属性，其可以进一步用于找到查询答案。在这项研究中，我们的目标是通过从知识库中识别相关实体属性来推进对查询的理解。为此，我们引入了实体属性识别的任务，并提出了两种方法来解决它：（i）基于马尔可夫随机场的模型，（ii）学习排序模型。我们开发了一个人类注释的测试集合，并表明我们提出的方法可以带来显着的改进基线方法。
2018-09-23 cs.IR
Reason to Retrieve: Enhancing Query Understanding through Decomposition and Interpretation
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Baidu Inc.（百度公司）；University of Amsterdam（阿姆斯特丹大学）
ReDI通过分解与解释增强查询理解，有效提升长形式复杂查询的检索性能。
2026-02-10 cs.IR
Understanding Graph Structure of Wikipedia for Query Expansion
知识库是知识提取的很好的来源，能够从结构化和非结构化的来源创建知识，并使用它来改进自动化过程，如查询扩展。然而，从非结构化数据源中提取知识仍然是一个开放的挑战。在这方面，了解知识库的结构可以为这种目的的有效性提供显着的好处。特别是，维基百科在过去几年中已经成为一个非常受欢迎的知识库，因为它是一个具有大量信息的通用百科全书，因此涵盖了大量不同的主题。在这篇文章中，我们分析了维基百科的条目和类别如何相互关联，以及这些关系如何支持查询扩展技术。特别是，我们表明，结构的形式密集的周期与最小数量的类别往往识别最相关的信息。
2015-05-06 cs.IR
Powering Job Search at Scale: LLM-Enhanced Query Understanding in Job Matching Systems
LinkedIn Corporation（LinkedIn公司）
本文提出由LLM驱动的统一查询理解框架，联合建模用户查询与上下文信号生成结构化解释，在求职匹配中提升推荐相关性并降低系统复杂度。
2025-08-19 cs.IR cs.LG
JointMap: Joint Query Intent Understanding For Modeling Intent Hierarchies in E-commerce Search
Emory University（埃默里大学）；The Home Depot（家得宝）
准确理解用户的查询意图可以帮助提高下游任务（如查询范围和排名）的性能。在电子商业领域，最近的工作在查询理解集中在查询到产品类别的映射。但是，有一小部分查询（在我们的网站上，2019年有1.5%或3300万次查询）与非商业意图相关。这些意图通常与非商业信息寻求需求相关联，如折扣，商店营业时间，安装指南等。在本文中，我们介绍了联合查询意图理解（JointMap），一种深度学习模型，用于同时学习两个不同的高级用户意图任务：1）识别查询的商业与非商业意图，以及2）将分类中的一组相关产品类别与产品查询相关联。JointMap模型通过联合学习过程利用这两个相关任务之间存在的迁移偏差来工作。由于为这些任务策划标记数据集可能是昂贵和耗时的，我们提出了一种远程监督方法，结合主动学习模型来生成高质量的训练数据集。为了证明JointMap的有效性，我们使用从大型商业网站收集的搜索查询。我们的研究结果表明，与最先进的深度学习方法相比，JointMap显著提高了“商业与非商业”意图预测和产品类别映射的平均2.3%和10%。我们的研究结果提出了一个有前途的方向，在电子商业搜索引擎的意图层次模型。
2020-05-29 cs.CL cs.IR
Pre-Training for Query Rewriting in A Spoken Language Understanding System
Drexel University（德雷塞尔大学）；College of Computing & Informatics（计算与信息学院）；Amazon.com, Inc.（亚马逊公司）
查询重写（QR）是一种越来越重要的技术，用于减少由口语语言理解流水线中的错误引起的客户摩擦，其中错误源自各种来源，诸如语音识别错误、语言理解错误或实体解析错误。在这项工作中，我们首先提出了一种基于神经检索的查询重写方法。然后，受预先训练的上下文语言嵌入的广泛成功的启发，也作为补偿QR训练数据不足的一种方式，我们提出了一种基于语言建模（LM）的方法，用语音助手对历史用户会话数据进行预训练查询嵌入。此外，我们建议使用由语言理解系统生成的NLU假设来增强预训练。我们的实验表明，预训练提供了丰富的先验信息，并帮助QR任务实现强大的性能。我们还表明，联合预训练与NLU假设有进一步的好处。最后，在预训练之后，我们发现一小组重写对足以通过对所有QR训练数据进行全面训练来微调QR模型，以超越强基线。
2020-02-13 cs.CL cs.IR
Am I on the Right Track? What Can Predicted Query Performance Tell Us about the Search Behaviour of Agentic RAG
本研究探讨了查询性能预测（QPP）在 Agentic RAG 模型 Search-R1 和 R1-Searcher 中的适用性，发现有效检索器能缩短推理并提升答案质量，且 QPP 估计与最终答案质量正相关，为自适应检索提供了依据。
2025-07-14 cs.IR
Fix Before Search: Benchmarking Agentic Query Visual Pre-processing in Multimodal Retrieval-augmented Generation
Jilin University（吉林大学）；Michigan State University（密歇根州立大学）
本文提出V-QPP-Bench，通过代理决策任务评估视觉查询预处理的改进，揭示视觉不完美对检索性能的严重影响及训练方法的优化潜力。
2026-02-13 cs.IR
Shareable Representations for Search Query Understanding
Amazon Search Science and AI（亚马逊搜索科学与人工智能部门）
了解搜索查询对于购物搜索引擎提供满意的客户体验至关重要。流行的购物搜索引擎每年接收数十亿个独特的查询，每个查询都可以描述数百个用户偏好或意图中的任何一个。为了得到正确的结果给客户，它必须是已知的查询，如“便宜的舞会礼服”不仅是为了表面的结果，一定的产品类型，但也产品具有较低的价格。被称为查询意图，示例还包括对作者、品牌、年龄组的偏好，或者仅仅是对客户服务的需求。最近的工作，如BERT已经证明了一个大型Transformer编码器架构的成功，该架构具有对各种NLP任务进行语言模型预训练的能力。我们适应这样的架构来学习搜索查询的意图，并描述方法来解释搜索查询数据的噪声和稀疏性。我们还描述了在具有低延迟要求的上下文中托管Transformer编码器模型的成本有效的方法。通过正确的特定于领域的训练，我们可以构建一个可共享的深度学习模型，其内部表示可以重用于各种查询理解任务，包括查询意图识别。模型共享允许在推理时需要更少的大型模型，并提供了一个平台来快速构建和转出新的搜索查询分类器。
2019-12-20 cs.CL cs.IR cs.LG
Algebraic Retrieval: Composable Search for Agents
代数检索通过数学查询组合搜索策略，基于PEM实现对比评分、重排序和加权排序，在Vaswani基准上验证了执行等价性。
2026-09-18 cs.IR
A Unified Structured Query Understanding Framework for Industrial Semantic Search
LinkedIn Corporation（领英公司）
提出一个统一的结构化查询理解系统，将多个异构功能整合到单个小语言模型（SLM）中，并引入Query Illuminator框架用于自动标注和评估，在LinkedIn的职位搜索和人员搜索中验证了效果。
2026-06-07 cs.IR cs.LG
DeepCAT: Deep Category Representation for Query Understanding in E-commerce Search
Emory University（埃默里大学）；The Home Depot（家得宝）
将搜索查询映射到产品分类中的一组相关类别在电子商业搜索中是一个重大挑战，原因有两个：1）由于有偏见的点击行为，训练数据表现出严重的类不平衡问题，以及2）具有很少客户反馈的查询（例如，尾查询）在训练集中没有很好地表示，并且导致查询理解的困难。为了解决这些问题，我们提出了一个深度学习模型DeepCAT，它学习联合词-类别表示以增强查询理解过程。我们相信，学习类别的相互作用，有助于提高少数类，尾部和躯干查询的类别映射的性能。DeepCAT包含一个新的词-类别表示模型，该模型基于训练集中的词-类别共现来训练类别表示。然后利用类别表示引入一个新的损失函数来估计类别-类别共现，以改进联合词-类别嵌入。为了证明我们的模型对少数类别和尾查询的有效性，我们进行了两组实验。结果表明，DeepCAT在少数类上实现了10%的改进，在最先进的标签嵌入模型上实现了7.1%的尾查询改进。我们的研究结果提出了一个有前途的方向，以改善电子商业搜索的语义建模的分类层次结构。
2021-05-10 cs.CL cs.IR cs.LG
Passage Query Methods for Retrieval and Reranking in Conversational Agents
本文针对TREC iKAT赛道，扩展Generate-Retrieve-Generate流水线并提出两种段落查询方法（加权重排序和长短段落），利用Meta Llama模型提升对话式信息检索中的查询-文档匹配，其长短段落方法表现优于基线且媲美GPT-4系统。
2025-02-28 cs.IR
Towards Query Logs for Privacy Studies: On Deriving Search Queries from Questions
将冗长的信息需求转换为清晰的搜索查询是一种普遍存在但难以理解的现象。深入了解这一过程可能是有价值的几个应用程序，包括合成大型隐私友好的查询日志，从公共Web资源，这是随时提供给学术研究界。在这项工作中，我们采取了一个步骤，了解查询制定利用社区问答（CQA）论坛的丰富潜力。具体来说，我们从Stack Exchange平台上抽取了跨越不同主题的自然语言（NL）问题，并进行了一次大规模的转换实验，在实验中，众包工作者提交了他们在寻找等效信息时会使用的搜索查询。我们对这些数据进行了仔细的分析，解释了转换过程中可能的偏见来源，以及对用户特定语言模式和搜索行为的见解。我们从这项研究中发布了一个包含7,000个问题-查询对的数据集，以促进对查询理解的进一步研究。
2021-06-03 cs.IR
Entity Type Recognition using an Ensemble of Distributional Semantic Models to Enhance Query Understanding
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；CareerBuilder
我们提出了一个集成的方法，在招聘领域的搜索查询实体进行分类。了解搜索查询中表示的实体类型（公司、技能、职位等）与传统的基于关键字的搜索相比，能够基于这些实体进行更智能的信息检索。因为搜索查询通常非常短，所以由于缺乏上下文信息，利用传统的词袋模型来识别实体类型将是不合适的。相反，我们的方法结合了不同来源的不同复杂性的线索，以收集真实世界的知识查询实体。我们通过两个模型采用查询实体的分布式语义表示：1）从维基百科等百科全书语料库中生成的上下文向量，以及2）使用word 2 vec从数百万个职位发布中生成的高维词嵌入向量。此外，我们的方法利用从WordNet获得的实体语言属性和从DBpedia提取的本体属性。我们评估我们的方法在凯业必达创建的数据集;美国最大的就业委员会。该数据集包含从数百万求职者/招聘人员搜索查询、职位发布和简历文档中提取的实体。在构造搜索实体的分布向量之后，我们使用监督机器学习来推断搜索实体类型。实证结果表明，我们的方法优于最先进的word 2 vec分布语义模型训练维基百科。此外，我们实现了97%的微平均F1分数使用建议的分布表示合奏。
2016-04-04 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
Deeper Text Understanding for IR with Contextual Neural Language Modeling
Carnegie Mellon University（卡内基梅隆大学）
神经网络为自动学习复杂的语言模式和查询-文档关系提供了新的可能性。神经IR模型在学习查询-文档相关模式方面取得了可喜的成果，但在理解查询或文档的文本内容方面却鲜有研究。本文研究了利用最近提出的上下文神经语言模型BERT来为信息检索提供更深层次的文本理解。实验结果表明，BERT的上下文文本表示比传统的词嵌入更有效。与词袋检索模型相比，上下文语言模型可以更好地利用语言结构，对用自然语言编写的查询带来很大的改进。将文本理解能力与搜索知识相结合导致增强的预训练BERT模型，其可以在训练数据有限的情况下有益于相关搜索任务。
2019-05-22 cs.CL cs.IR
QUILL: Query Intent with Large Language Models using Retrieval Augmentation and Multi-stage Distillation
Google Research（谷歌研究院）；Google（谷歌）
大语言模型（LLM）在各种文本理解任务上显示出令人印象深刻的结果。然而，搜索查询却构成了一个独特的挑战，因为它们的长度很短，缺乏细微差别或上下文。复杂的特征工程工作并不总是导致下游的改进，因为它们的性能优势可能会被知识蒸馏的复杂性增加所抵消。因此，在本文中，我们做出了以下贡献：（1）我们证明了检索增强查询提供LLM有价值的额外的上下文，从而提高理解。虽然检索增强通常会增加LM的延迟（从而损害蒸馏效率），（2）我们提供了一种实用且有效的蒸馏检索增强LLM的方法。具体来说，我们使用了一种新的两阶段蒸馏方法，使我们能够进行检索增强的收益，而不会遭受通常与之相关的计算增加。（3）我们证明了所提出的方法（QUILL）的好处在十亿规模，现实世界的查询理解系统，从而产生巨大的收益。通过广泛的实验，包括公共基准测试，我们相信这项工作提供了一个实用的检索增强查询理解的配方。
2022-10-27 cs.CL cs.IR
