Preliminary Results of a Scientometric Analysis of the German Information Retrieval Community 2020-2023
本研究对2020-2023年德国信息检索社区进行科学计量分析，构建了401篇论文数据集，从机构和研究者层面揭示其分布，并公开数据集及映射用例。
2023-10-11 cs.DL cs.IR
Mind Your Language: Effects of Spoken Query Formulation on Retrieval Effectiveness
语音搜索正在成为与搜索引擎交互的流行模式。因此，研究已经转向构建更好的语音转录引擎、界面和搜索引擎，以更好地处理查询的固有冗长性。然而，当人们考虑其使用的非母语的英语，另一个方面，变得重要的是制定的查询用户。在本文中，我们提出了一个初步的研究结果，我们进行了与非英语母语的人制定查询给定的检索任务。我们的研究结果表明，目前的搜索引擎是敏感的，在他们的排名查询制定，从而突出了需要开发更强大的排名方法。
2013-12-14 cs.IR
Hybrid XML Retrieval: Combining Information Retrieval and a Native XML Database
本文探讨了三种方法对XML检索的影响：使用Zettair，一个全文信息检索系统;使用eXist，一个本地XML数据库;并使用一个混合系统，从Zettair的完整文章的答案，并使用eXist从这些文章中提取元素。对于纯内容主题，我们对INEX 2003相关性评估进行了初步分析，以确定高度相关的文档组件的类型。进一步的分析确定了相关性评估的两个补充子案例（“一般”和“具体”）和两类专题（“广义”和“狭义”）。我们开发了一种新的检索模块，对于一个内容唯一的主题，利用信息从一个原生XML数据库的答案列表，并动态地确定优选的检索单元，我们称之为“一致的检索元素”。我们的实验结果表明，-当三个系统中的每一个被评估对不同的检索方案（如不同的情况下的相关性评估，不同的主题类别和不同的选择的评价指标）-的XML检索系统表现出不同的行为和最佳性能可以达到不同的值的检索参数。在INEX 2003年的相关性评估的情况下，只有内容的主题，我们新开发的混合XML检索系统是更有效的比Zettair或eXist，并产生一个强大的和非常有效的XML检索。
2005-07-28 cs.IR
Toward Validation of Textual Information Retrieval Techniques for Software Weaknesses
本文提出了一个初步的验证常见的文本信息检索技术映射的非结构化软件漏洞信息，以不同的软件弱点。验证是用从Snyk漏洞数据库中跟踪的四个软件存储库编译的数据集进行的。根据结果，所使用的信息检索技术执行不令人满意的正则表达式搜索相比。虽然结果因存储库而异，但初步验证表明，明确引用漏洞和弱点标识符对于具体的漏洞跟踪是更可取的。这种参考允许使用基于关键字的搜索，与信息检索技术相比，基于关键字的搜索目前似乎产生更一致的结果。然而，需要进一步的验证工作来提高技术的精确度。
2018-09-05 cs.CR cs.IR
Spatially-Enhanced Retrieval-Augmented Generation for Walkability and Urban Discovery
IIT-CNR（意大利国家研究委员会信息技术与机器人研究所）；ISTI-CNR（意大利国家研究委员会计算机科学研究所）
WalkRAG通过空间增强的检索增强生成框架，结合信息检索与空间推理，为用户提供步行性城市探索的推荐服务。
2025-12-04 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
MechIR: A Mechanistic Interpretability Framework for Information Retrieval
针对信息检索领域神经模型缺乏可解释性的问题，提出专门适配IR任务与架构的机制可解释性框架MechIR，支持诊断分析与干预，通过初步分析和公理视角验证其易用性，推动可解释IR研究。
2025-01-17 cs.IR
Retrieval-in-the-Chain: Bootstrapping Large Language Models for Generative Retrieval
State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所人工智能安全国家重点实验室）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出R4R框架，将自由思维链转化为结构化推理并在检索中迭代精炼，使单个LLM同时承担推理与生成式检索，在三个基准上验证有效。
2026-09-22 cs.IR
Multilingual Medical Question Answering and Information Retrieval for Rural Health Intelligence Access
Sir M. Visvesvaraya Institute of Technology（M·维斯维斯瓦亚爵士理工学院）
在一些发展中国家的农村地区，基本上无法获得高质量的医疗保健、医疗基础设施和专业诊断。这些地区中有许多正在逐步接入互联网基础设施，尽管连接不够强大，无法与医生进行持续的通信。由于无法获得医疗服务、没有病人以前的健康记录和没有土著语言的信息而造成的几起死亡是很容易避免的。在本文中，我们描述了一种利用机器学习和NLP（自然语言处理）技术的惊人进步来设计一个低资源、多语言和初步的第一接触点医疗助理的模型的方法。我们的贡献包括定义命名实体识别所需的NLP管道，语言无关的句子嵌入，自然语言翻译，信息检索，问答，并生成最终查询处理的预训练。我们获得了有希望的结果，这个管道和EHR（电子健康记录）分析的初步结果与文本摘要，供医疗从业者阅读他们的诊断。通过这个NLP管道，我们的目标是为用户提供初步的医疗信息，并不声称要取代合格医生的诊断。使用来自主题专家的输入，我们已经编译了一个大型语料库来预训练和微调我们的基于BioBERT的NLP模型，用于特定任务。我们期待NLP架构的最新进展，其中一些是高效和隐私保护的模型，以进一步影响我们的解决方案，并提高个人任务的性能。
2021-06-02 cs.CL cs.IR
Toward Word Embedding for Personalized Information Retrieval
Université de Grenoble（格勒诺布尔大学）；CNRS（法国国家科学研究中心）；Université de Saint-Étienne（圣艾蒂安大学）
本文介绍了在个性化信息检索的背景下，使用词嵌入（word2vec）查询扩展的初步工作。传统上，词嵌入是在一个通用的语料库上学习的，比如维基百科。在这项工作中，我们试图个性化的词嵌入学习，通过实现对用户的个人资料的学习。然后，词嵌入处于与用户兴趣相同的上下文中。我们的建议是在CLEF社会图书搜索2016年收集评估。研究结果表明，在个性化信息检索中，词嵌入的应用还有待进一步研究。
2016-06-22 cs.CL cs.IR
From Text to Sound: A Preliminary Study on Retrieving Sound Effects to Radio Stories
Carnegie Mellon University（卡内基梅隆大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Microsoft XiaoIce（微软小冰）；Beijing Film Academy（北京电影学院）
音效在制作高质量的广播故事中起着至关重要的作用，但需要巨大的劳动力成本添加。在本文中，我们解决了自动添加音效的问题，以检索为基础的模型广播故事。然而，直接实现基于标签的检索模型会导致高误报，由于故事内容的歧义。为了解决这个问题，我们引入了一个基于检索的框架与语义推理模型，这有助于实现强大的检索结果杂交。我们的模型依赖于从候选触发器的上下文中提取的精心设计的特征。我们通过众包收集了两个故事配音数据集，分析了添加声音效果的设置，并对我们提出的方法进行了训练和测试。我们进一步讨论了每个功能的重要性，并介绍了几个启发式规则之间的权衡精度和召回。再加上文本到语音的技术，我们的研究结果揭示了一个有前途的自动流水线生产高质量的广播故事。
2019-08-20 cs.CL cs.IR cs.SD
Quantifying Organizational Environmental Action from Web Data and Large Language Models
University of Toronto（多伦多大学）
本研究提出一种利用网络数据和大语言模型量化组织环境行动的可扩展框架，通过对比三种检测方法，发现直接LLM分类覆盖率最高，可适用于其他机构。
2026-09-16 cs.CL cs.CY cs.IR
A Preliminary Study for Building an Arabic Corpus of Pair Questions-Texts from the Web: AQA-Webcorp
Faculty of Economics and Management, Sfax, Tunisia（斯法克斯经济与管理学院）；Aix-Marseille University, Marseille, France（艾克斯-马赛大学）
随着电子媒体的发展和Web上阿拉伯语数据的异构性，为机器翻译、信息检索、问答等自然语言处理的某些应用建立一个干净的语料库的想法越来越迫切。在这份手稿中，我们试图创建和发展我们自己的语料库对的问题文本。这样的结构将为我们的实验步骤提供一个更好的基础。因此，我们试图通过阿拉伯语的方法来模拟这一宪法，因为它可以从网络上恢复文本，这些文本可以被证明是我们事实问题的答案。为了做到这一点，我们必须开发一个java脚本，它可以从给定的查询中提取一个html页面列表。然后清理这些网页的程度有一个数据库的文本和语料库的对的问题文本。此外，我们给出了我们的建议方法的初步结果。本文还介绍了阿拉伯语语料库建设方面的一些研究。
2017-09-27 cs.CL cs.IR
Tip of the Tongue Known-Item Retrieval: A Case Study in Movie Identification
虽然当前的信息检索系统对于已知项目的检索是有效的，其中检索器提供了被查找项目的精确名称或标识符，但是对于检索器不能表达精确名称或标识符的情况，系统往往不太有效。我们称之为舌尖（TOT）已知项目检索，以无法从记忆中检索项目的认知状态命名。以电影搜索为例，探讨了社区问答网站中TOT状态下搜索者提问的特征。我们分析了搜索如何表达他们的信息需求在TOT状态在电影领域。具体来说，搜索者记住了关于所搜索的项目的哪些信息，以及他们如何传达这些信息？我们的研究结果表明，搜索者使用以下信息的组合：（1）所搜索项目的内容，（2）他们以前与该项目接触的上下文，以及（3）以前使用其他资源（例如，搜索引擎）。此外，搜索者有时通过表达不确定性来传达信息（即，对冲），意见，情绪，并通过执行相对（相对于绝对）的比较项目的属性。作为我们的分析结果，我们认为，搜索TOT状态可能需要专门的查询理解方法或文档表示。最后，我们初步的检索实验显示的信息请求中的每种信息类型对检索性能的影响。
2021-01-18 cs.HC cs.IR
An Interactive Multi-modal Query Answering System with Retrieval-Augmented Large Language Models
本文提出交互式多模态查询应答系统MQA，通过对比学习度量多模态相似度，并结合计算剪枝优化的导航图索引和可插拔框架，实现与大语言模型集成的多模态知识库高效检索与问答。
2024-07-05 cs.DB cs.IR
Open-Source Retrieval Augmented Generation Framework for Retrieving Accurate Medication Insights from Formularies for African Healthcare Workers
本文提出开源RAG聊天机器人Drug Insights，利用尼日利亚药品数据和AI技术，为非洲医疗工作者提供准确药物信息检索，减少幻觉，初步测试显示其改善药物获取的潜力。
2025-01-28 cs.HC cs.IR
Lessons from A Large Language Model-based Outdoor Trail Recommendation Chatbot with Retrieval Augmented Generation
University of Connecticut（康涅狄格大学）；School of Computing（计算学院）
本文介绍了基于LLM与RAG技术开发的户外步道推荐聊天机器人Judy，通过美国康涅狄格州步道案例研究，验证了其在提供准确、高效且可用的个性化步道推荐方面的有效性。
2025-07-27 cs.AI cs.IR
HetaRAG: Hybrid Deep Retrieval-Augmented Generation across Heterogeneous Data Stores
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
HetaRAG 提出混合深度检索增强生成框架，统一向量、知识图谱、全文和关系型存储，动态融合证据以提升召回、精度与上下文保真度。
2025-09-12 cs.CL cs.IR
Rankers, Judges, and Assistants: Towards Understanding the Interplay of LLMs in Information Retrieval Evaluation
Google DeepMind（谷歌DeepMind）
本文研究信息检索评估中基于LLM的排序器、评判器和助手间的相互作用，通过实验首次发现LLM评判器对LLM排序器存在显著偏差，并提出可靠使用LLM的指南与研究议程。
2025-07-09 cs.AI cs.CL cs.IR
GME: Improving Universal Multimodal Retrieval by Multimodal LLMs
The Hong Kong Polytechnic University（香港理工大学）；Tongyi Lab, Alibaba Group（阿里巴巴集团通义实验室）；Soochow University（苏州大学）
本文提出利用多模态大语言模型改进通用多模态检索，通过构建数据合成流程生成高质量融合模态数据集，开发了基于MLLM的密集检索器GME，并构建综合基准UMRB，最终实现了最先进的性能。
2025-04-01 cs.CL cs.IR
Semantic Role Aware Correlation Transformer for Text to Video Retrieval
Institute for Infocomm Research, A*STAR（A*STAR资讯通信研究院）；School of Computer Science and Engineering, NTU（南洋理工大学计算机科学与工程学院）；Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系）
随着社交媒体的出现，每天都会上传大量的视频片段，使用语言查询检索最相关的视觉内容变得至关重要。大多数方法的目标是学习一个联合嵌入空间的纯文本和视觉内容，没有充分利用其内部的模态结构和模态间的相关性。本文提出了一种新的Transformer，它将文本和视频明确地分解为对象、空间上下文和时间上下文的语义角色，并通过注意力机制来学习这三种角色之间的角色内和角色间的相关性，从而发现不同层次的区分特征进行匹配。在流行的YouCook2上的初步结果表明，我们的方法超越了当前最先进的方法，在所有指标上都有很高的利润率。它还在两个指标方面超过了两个SOTA方法。
2022-06-26 cs.CV cs.IR cs.LG
Multi-EuP: The Multilingual European Parliament Dataset for Analysis of Bias in Information Retrieval
School of Computing & Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
Multi-EuP是一个包含22K文档、覆盖24种语言的多语言基准数据集，用于分析信息检索中的语言和人口统计偏差，并验证其作为单语和多语IR基准的有效性。
2023-11-03 cs.AI cs.CL cs.IR
Ontology-based Adaptive e-Textbook Platform for Student and Machine Co-Learning
电子教科书（e-book）因其灵活性、可访问性、交互性和可扩展性，多年来一直受到广泛研究。然而，目前电子书的缺点，这往往只是一个数字化版本的原始书籍，并不鼓励采用。因此，这导致了对电子书的重新思考，应该结合当前的技术来增强其功能，其中包括信息搜索和组织工具已被证明是有利的。本文从信息检索的角度出发，对如何在这类工具中加入智能进行了初步的研究。首先介绍了以较小的开销构建电子图书素材的知识图谱。然后通过随机游走执行通过类型化相似性查询的信息检索。案例研究表明了该电子书平台的适用性，在电子教材领域具有广阔的应用前景和发展前景。
2018-01-20 cs.DL cs.IR
RecaLLM: Addressing the Lost-in-Thought Phenomenon with Explicit In-Context Retrieval
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
RecaLLM通过交替推理与显式上下文检索解决推理过程中因长上下文导致的检索性能下降问题，显著提升了RULER和HELMET基准测试表现。
2026-04-10 cs.AI cs.CL cs.IR
Audio Features Affected by Music Expressiveness
Università degli Studi di Milano（米兰大学）
在音乐信息检索的角度来看，这里提出的研究的目标是调查音乐家的情感意图，即当试图通过表现力有意传达情感内容的声音特征的影响。一个初步的实验已经进行了涉及$10$大号球员。通过提取各种特征对记录进行了分析，随后通过结合经典和机器学习统计技术对其进行了评估。结果进行了报告和讨论。
2016-05-17 cs.IR cs.SD
Toward Automatic Relevance Judgment using Vision--Language Models for Image--Text Retrieval Evaluation
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）
本文评估了CLIP、LLaVA和GPT-4V等视觉-语言模型在零样本图像-文本检索评估中的相关性判断能力，发现LLM驱动的VLMs在多项指标上优于CLIPScore，展现出增强相关性判断的潜力。
2024-08-02 cs.CL cs.CV cs.IR
ACER: Automatic Language Model Context Extension via Retrieval
Carnegie Mellon University（卡内基梅隆大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出ACER框架，通过短上下文模型模拟人类有损检索过程构建自动数据合成流水线，利用自生成数据微调模型，使其在真实长上下文任务中超越通用模型及原始检索阅读流水线。
2024-10-11 cs.AI cs.CL cs.IR
PatentMatch: A Dataset for Matching Patent Claims & Prior Art
专利审查员在评估专利申请中权利要求的新颖性和创造性时，需要解决复杂的信息检索任务。对于一项权利要求，他们会搜索现有技术，其中包括所有相关的公开信息。这项耗时的任务需要深入了解各自的技术领域和专利领域特定的语言。出于这些原因，我们通过创建用于监督机器学习的训练数据集（称为PatentMatch）来解决现有技术的计算机辅助搜索。它包含来自专利申请的成对权利要求和来自引用的专利文件的不同程度的语义对应的文本段落。每一对都由欧洲专利局技术熟练的专利审查员贴上标签。因此，标签指示语义对应（匹配）的程度，即，该文本段落是否有损于要求保护的发明的新颖性。使用基线系统的初步实验表明，PatentMatch确实可以用于在这个具有挑战性的信息检索任务上训练二进制文本对分类器。该数据集可在线获取：https://hpi.de/naumann/s/patentmatch。
2020-12-27 cs.DL cs.IR
A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models
The Hong Kong Polytechnic University（香港理工大学）；Baidu Inc（百度公司）；National University of Singapore（新加坡国立大学）
本文综述检索增强大语言模型RA-LLMs，从架构、训练策略与应用系统梳理RAG如何利用外部权威知识缓解LLM幻觉和知识过时问题，并指出局限与未来方向。
2024-06-17 cs.AI cs.CL cs.IR
ProRank: Prompt Warmup via Reinforcement Learning for Small Language Models Reranking
Mixedbread AI；The Hong Kong Polytechnic University（香港理工大学）
本文提出ProRank方法，通过强化学习提升小语言模型对任务提示的理解，结合细粒度分数学习增强表示能力，实验证明其在文档重排序任务中优于现有模型，尤其在BEIR基准上表现突出。
2026-04-15 cs.CL cs.IR
Large language models streamline automated systematic review: A preliminary study
本研究评估GPT-4、Claude-3、Mistral 8x7B三款大模型在系统评价四类任务中的表现，发现LLM具备系统评价自动化潜力，GPT-4在多数任务中表现最优，可作为研究辅助工具。
2025-01-09 cs.AI cs.CL cs.IR
Towards a relation extraction framework for cyber-security concepts
University of Washington（华盛顿大学）；Oak Ridge National Laboratory（橡树岭国家实验室）
为了帮助安全分析人员获得与其网络有关的信息，例如新的漏洞、利用或补丁，需要针对安全域定制的信息检索方法。由于标记的文本数据是稀缺和昂贵的，我们遵循半监督自然语言处理的发展，并实现了一个自举算法提取安全实体和它们的关系，从文本。该算法需要很少的输入数据，具体地说，一些关系或模式（识别关系的逻辑），并结合了一个主动学习组件，该组件询问用户最重要的决定，以防止偏离所需的关系。在一个小型语料库上的初步测试显示了良好的效果，获得了.82的精度。
2015-04-16 cs.CL cs.CR cs.IR
Rewriting the Code: A Simple Method for Large Language Model Augmented Code Search
Nanyang Technological University（南洋理工大学）
针对代码搜索中生成增强检索框架因代码风格偏差导致改进受限的问题，提出ReCo方法通过重写代码库代码进行风格归一化，显著提升多种检索设置下的准确率，并引入首个代码风格相似性度量指标。
2024-06-03 cs.CL cs.IR cs.LG
