Translating Web Search Queries into Natural Language Questions
AI & Research, Microsoft（微软人工智能与研究部门）
用户经常查询一个搜索引擎与一个特定的问题，在头脑中，这些查询往往是关键字或子序列片段。例如，如果用户想知道“美国的首都是什么”的答案，他们很可能会查询“美国的首都”或“美国首都”或一些基于关键字的变体。例如，对于用户输入的查询“美国的首都”，最可能的问题意图是“美国的首都是什么？".在本文中，我们提出了一种方法来产生良好的形式自然语言问题从一个给定的基于关键字的查询，它具有相同的问题的意图查询。将基于关键字的Web查询转换为格式良好的问题有很多应用，其中一些应用于搜索引擎，社区问答（CQA）网站和机器人通信。我们发现了标准机器翻译（MT）任务之间的协同作用。我们使用了统计MT（SMT）和神经MT（NMT）模型来从查询中生成问题。我们已经观察到，MT模型在自动和人工评估方面表现良好。
2020-02-07 cs.AI cs.CL
When Thinking LLMs Lie: Unveiling the Strategic Deception in Representations of Reasoning Models
Peking University（北京大学）
本文利用表征工程在具备思维链的大语言模型中诱导、检测和控制策略性欺骗，通过LAT提取欺骗向量实现89%检测准确率，并以40%成功率无提示诱发欺骗，为可信AI对齐提供工具。
2025-06-05 cs.AI cs.CL cs.CR
Lost in the Flow with Code Talkers: Unveiling the Instruction-Tuning Tax of Large Language Models in Code Tasks
Singapore Management University（新加坡国立管理学院）；The Chinese University of Hong Kong（香港中文大学）
本研究首次实证发现指令微调在代码任务中导致权衡：增强指令遵循能力却削弱代码填充性能，称之为“指令微调税”，并通过定性和定量分析总结出七项发现和四项启示。
2026-06-07 cs.AI cs.CL cs.SE
Generative Agent-Based Modeling: Unveiling Social System Dynamics through Coupling Mechanistic Models with Generative Artificial Intelligence
Virginia Tech（弗吉尼亚理工大学）
本文提出生成式智能体模型（GABMs），通过将机制模型与ChatGPT等大型语言模型耦合来模拟社会系统中的人类决策，并以组织内社会规范扩散为例验证其可行性。
2023-09-20 cs.AI cs.LG cs.MA
PerkwE_COQA: Enhanced Persian Conversational Question Answering by combining contextual keyword extraction with Large Language Models
Isfahan University of Technology（伊斯法罕理工大学）
针对大语言模型在波斯语会话式问答中难捕捉语境细节的问题，提出结合上下文关键词提取与大语言模型的PerkwE_COQA方法，性能较现有方法和纯大语言模型基线最高提升8%。
2024-04-15 cs.AI cs.CL
A General and Flexible Multi-concept Parsing Framework for Multilingual Semantic Matching
本文提出基于预训练语言模型的多概念解析语义匹配框架MCP-SM，通过提取并注入多种概念，摆脱对外部NER工具的依赖，在多语言数据集上表现优异。
2024-04-04 cs.AI cs.CL
Enhancement of E-commerce Sponsored Search Relevancy with LLM
Walmart AdTech（沃尔玛广告技术）
研究利用预训练大语言模型在电子商务赞助搜索框架中开发先进广告相关性模型，通过LoRA改编LLAMA2 7B模型，引入新型分类器，经训练显著提升搜索精度和效率。
2026-07-07 cs.AI cs.IR
How good are LLMs at Retrieving Documents in a Specific Domain?
MultiScale Networked Systems (MNS) University of Amsterdam, Netherlands, University of Amsterdam, Netherlands（多尺度网络化系统（MNS）阿姆斯特丹大学，荷兰，阿姆斯特丹大学，荷兰）
该研究构建环境领域检索评估数据集，并引入 LLM 驱动的 RAG，证明其在多意图自然语言查询下的检索精度优于基于 Elasticsearch 的系统。
2025-08-25 cs.AI cs.IR
Query Intent Detection from the SEO Perspective
Search ForeSight（搜索前瞻公司）
Google用户在查询时有不同的意图，例如获取信息、购买产品、比较或模拟服务、寻找产品等。了解用户的正确意图有助于i）从搜索引擎优化（SEO）的角度提供更好的网页内容，ii）从搜索引擎的角度提供更令用户满意的结果。在这项研究中，我们的目标是确定用户查询的意图，利用谷歌的结果和机器学习方法。我们提出的方法是一个聚类模型，利用一些功能来检测查询的意图。从聚类查询中提取的关键字列表用于识别新给定查询的意图。将聚类结果与过滤后的关键词预测的意图进行比较，表明了提取的关键词用于检测意图的效率。
2020-06-16 cs.IR cs.LG
Intent Factored Generation: Unleashing the Diversity in Your Language Model
University of Oxford（牛津大学）；BBC Research & Development（BBC研发部）
本文提出意图因子化生成（IFG），通过先生成语义意图再生成回复并分阶段调节温度，在数学、代码、对话和语言建模任务中提升多样性且保持质量。
2025-06-11 cs.AI cs.CL cs.LG
Retrieval-Augmented Generation in LLMs for Mental Health: Quantifying the Incremental Contribution of Retrieval Within a Layered Safety Architecture
Wysa Inc.（Wysa公司）
研究数字心理健康干预中，通过在名为Wysa的DMHI里对比启用和禁用检索增强生成（RAG）模式，评估六个大语言模型，计算相关指标并测试差异，发现RAG虽致误报增加，但符合安全原则，是提升LLM驱动的DMHIs相关性能的有前景方法。
2026-07-29 cs.AI cs.CL cs.IR
Unveiling Optimal SDG Pathways: An Innovative Approach Leveraging Graph Pruning and Intent Graph for Effective Recommendations
College of Computer, Nanjing University of Posts and Telecommunications（南京邮电大学计算机学院）；Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences（中国科学院地理科学与资源研究所）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出UGPIG方法，通过剪枝用户图解决空间异质性忽视问题，并构建意图图缓解区域历史交互数据稀疏性，从而有效提升可持续发展模式推荐性能。
2023-09-21 cs.IR cs.LG
Adaptive Keywords Extraction with Contextual Bandits for Advertising on Parked Domains
域名注册商和URL缩短器服务提供商将广告放置在停放的域（未使用的互联网域名）上以产生利润。由于Web内容已被删除，因此确保显示的广告与已被定向到停放域的访问者的意图直接相关至关重要。由于这些领域中缺少内容，因此生成关键字来描述先前的内容并因此描述用户意图是不平凡的。本文讨论了自适应关键词抽取问题，提出了一种基于BM25F词加权和线性多臂强盗的自适应关键词抽取算法。我们在生产域注册系统上构建了一个原型，并使用众包进行多次迭代对其进行评估。原型与其他流行的方法进行了比较，并被证明是更有效的。
2013-07-12 cs.IR
Pailitao-MMSearch: Building Native E-Commerce Multimodal Search Foundation
Taobao & Tmall Group of Alibaba（阿里巴巴淘宝及天猫集团）
针对电子商务多模态搜索问题，提出派利淘-多模态搜索基础模型，通过混合语义ID、两阶段持续预训练策略和混合推理后训练管道，在淘宝派利淘平台实现显著改进，提升了商品交易总额和交易量。
2026-09-03 cs.AI
Improving Ad matching via Cluster-Adaptive Keyword Expansion and Relevance tuning
eBay Inc.（eBay公司）；San Jose, CA, USA（美国加州圣何塞）
本文提出一种通过文档侧语义关键词扩展和聚类自适应阈值及增量学习调优相关性的方法，以提高搜索广告的匹配相关性和点击率。
2025-05-24 cs.AI cs.IR
An automatic patent literature retrieval system based on LLM-RAG
Belarusian State University（白俄罗斯国立大学）；Uber Technologies, Inc.（优步技术公司）；Stanford University（斯坦福大学）
针对传统专利检索方法的局限性，本研究提出基于LLM-RAG的自动专利检索框架，通过标准化预处理、LLM嵌入向量检索及RAG增强查询模块，在Google Patents数据集上实现80.5%准确率和92.1%召回率，较基线提升28个百分点，为智能专利检索提供有效方案。
2025-08-11 cs.AI cs.IR
Enhancing Retrieval-Augmented Generation for Electric Power Industry Customer Support
Pachira (International) Technology Ltd.（百川（国际）科技有限公司）
本研究针对电力行业客服，结合意图识别、RAG Fusion和重排序构建基于图的RAG系统，在GPT-4和真实FAQ数据集上分别取得97.9%和89.6%的准确率，显著优于基线。
2025-08-01 cs.AI cs.CL cs.IR
ClinicalBench: Stress-Testing Assertion-Aware Retrieval for Cross-Admission Clinical QA on MIMIC-IV
ClinicalBench通过400个问题测试43名MIMIC-IV患者，评估断言敏感类别下的检索性能，采用EpiKG知识图谱检索方法，通过六种LLM模型测试，发现断言感知检索在临床问答中提升22个百分点。
2026-05-11 cs.AI cs.CL cs.IR
GenQREnsemble: Zero-Shot LLM Ensemble Prompting for Generative Query Reformulation
Emory University（埃默里大学）
本文提出 GenQREnsemble 零样本 LLM 集成提示方法及融合伪相关反馈的 GenQREnsembleRF，通过多指令释义生成关键词，显著提升查询重构与检索性能。
2024-04-04 cs.AI cs.CL cs.IR
Show Me the Infographic I Imagine: Intent-Aware Infographic Retrieval for Authoring Support
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Nanjing University（南京大学）
本文提出意图感知图表检索框架，通过意图分类提升检索准确性，支持高效图表创作。
2026-04-09 cs.AI cs.IR
Understanding Usage and Engagement in AI-Powered Scientific Research Tools: The Asta Interaction Dataset
Allen Institute for AI（艾伦人工智能研究所）；Core contributors（核心贡献者）
本文通过Asta交互数据集研究用户在AI驱动的科学研究工具中的使用模式与参与行为，揭示了用户如何将系统视为协作伙伴，并提出了新的查询意图分类法以指导未来设计。
2026-02-26 cs.AI cs.HC cs.IR
Sequence-to-Sequence Learning on Keywords for Efficient FAQ Retrieval
常见问题解答（FAQ）检索提供了一种有效的程序来响应用户基于自然语言的查询。这样的平台在企业聊天机器人、产品问答和为客户提供初步技术支持方面正变得越来越普遍。然而，在这种情况下的挑战在于弥合不同的查询公式和相应的答案之间的词汇和语义差距，这两者通常具有非常短的跨度。本文提出了TI-S2 S，一种新的学习框架，结合了基于TF-IDF的关键字提取和Word 2 Vec嵌入，用于训练序列到序列（Seq 2Seq）架构。它实现了高精度的FAQ检索更好地理解通过代表性的关键字捕获的用户问题的潜在意图。我们进一步提出了一个变种，一个额外的神经网络模块，用于指导检索通过相关的候选人识别的基础上的相似性特征。在公开数据集上的实验显示，我们的方法在rank-5时的精度约为92%，比现有方法提高了近13%。
2021-08-23 cs.IR
Ad Insertion in LLM-Generated Responses
University of Michigan（密歇根大学）；Peking University（北京大学）；The University of Hong Kong（香港大学）
本文提出了解耦广告插入与响应生成、以及竞价与用户查询的框架，通过基于类型拍卖机制实现近最优的社会福利，同时提高计算效率和上下文一致性。
2026-08-26 cs.AI cs.CL cs.GT
Generative Engine Optimization: A VLM and Agent Framework for Pinterest Acquisition Growth
Stanford University（斯坦福大学）
Pinterest提出GEO框架，通过微调VLM和AI代理预测用户搜索需求，构建语义连贯的集合页面，提升生成搜索时代的视觉平台流量增长。
2026-02-03 cs.AI
Next-Gen Sponsored Search: Crafting the Perfect Query with Inventory-Aware RAG (InvAwr-RAG) Based GenAI
Walmart AdTech（沃尔玛广告科技）
研究电商赞助搜索中为给定查询识别相关关键词的挑战，引入基于库存感知检索增强生成式人工智能模型，结合多种查询提升相关性和用户参与度，初步结果显示填充率等显著提升。
2026-07-07 cs.AI cs.IR
Shopping with a Platform AI Assistant: Who Adopts, When in the Journey, and What For
Guanghua School of Management, Peking University（北京大学光华管理学院）；Rotman School of Management, University of Toronto（多伦多大学罗特曼管理学院）；International Business School, Zhejiang University（浙江大学国际联合商学院）
本文研究消费者在电子商务中采用平台嵌入式购物AI的行为特征，发现AI助手在探索性产品发现中起补充作用，而非替代传统搜索。
2026-03-26 cs.AI econ.GN q-fin.EC
ORCAS-I: Queries Annotated with Intent using Weak Supervision
用户意图分类是信息检索中的一项重要任务。在这项工作中，我们引入了一个修订的分类用户意图。我们以广泛使用的导航，事务和信息查询之间的区别为出发点，并确定三个不同的子类的信息查询：工具，事实和弃权。由此产生的用户查询的分类是更细粒度的，达到注释器之间的高度一致性，并可以作为一个有效的自动分类过程的基础。新引入的类别有助于区分检索系统可以采取行动的查询类型，例如通过在排名中优先考虑不同类型的结果。我们使用了一种基于Snorkel的弱监督方法，根据我们新的用户意图分类来注释ORCAS数据集，利用已建立的分类法和关键字来构建意图类别预测规则。然后，我们使用各种机器学习模型进行了一系列实验，使用来自弱监督阶段的标签作为训练数据，但发现Snorkel产生的结果并没有被这些竞争方法所超越，并且可以被认为是最先进的。像Snorkel这样的基于规则的方法的优点是它在实际系统中的有效部署，其中将对发出的每个查询执行意图分类。与本文一起发布的资源是ORCAS-I数据集：ORCAS基于点击的Web查询数据集的标记版本，它为1000万个不同的查询提供了1800万个连接。
2022-09-27 cs.IR
Orthogonal Query Expansion
在过去的15年里，网络搜索已经取得了巨大的进步。从1995年几乎随机收集的匹配页面开始，今天，搜索引擎倾向于满足用户对精心制定的查询的信息需求。剩下的主要挑战之一是当用户提供了一个表达不好的查询时，如何满足用户的需求。当与用户原始关键字匹配的页面被判断为不令人满意时，使用查询扩展技术来修改结果集。这些技术找到与用户给出的关键字相似的关键字，然后将其附加到原始查询中，从而导致结果集的扰动。然而，当原始查询是充分不适定的，用户的信息需求是最好的满足使用完全不同的关键字，和原始结果集的一个小扰动是注定要失败的。我们提出了一种新的方法，不是基于原始查询的关键字。我们有意寻找正交查询，这是相关的查询，具有较低的相似性，用户的查询。正交查询的结果集与原始查询的结果集在少量页面上相交。正交查询可以访问用户的信息需求，同时由与原始查询完全不同的术语组成。我们说明了我们的方法的有效性，提出了一个查询扩展的方法，从这些意见，提高了使用雅虎BOSS基础设施获得的结果。
2011-09-02 cs.IR
Policy-Grounded Dynamic Facet Suggestions for Job Search
LinkedIn Corporation（LinkedIn公司）
本文提出动态面建议（DFS）以提高求职搜索中的意图识别和相关职位检索，通过实时个性化语义属性推荐，结合离线分类整理、嵌入检索和小语言模型评分，提升建议精度和用户参与度。
2026-05-15 cs.AI cs.IR
Towards Recursive Self-Evolving Agentic Literature Retrieval
Shanghai Jiao Tong University（上海交通大学）；SciLand；Zhejiang University（浙江大学）
本文提出PaSaMaster系统，通过迭代意图分析、检索和排序，实现证据支持的文献推荐，解决传统关键词检索和生成式LLM的局限性，提升文献检索的准确性和效率。
2026-06-26 cs.IR
Keywords are not always the key: A metadata field analysis for natural language search on open data portals
本文研究了开放数据门户中元数据字段对自然语言数据集检索的影响，通过消融实验发现数据集描述对契合用户意图至关重要，且 LLM 生成的描述能有效提升检索性能与数据可发现性。
2025-09-17 cs.DB cs.DL cs.HC
AI Enhanced Ontology Driven NLP for Intelligent Cloud Resource Query Processing Using Knowledge Graphs
本文提出一种AI增强的基于本体的NLP框架，利用知识图谱和LSI实现云资源查询的意图提取与相关性排序，以解决传统搜索无法理解自然语言意图的问题。
2025-02-10 cs.AI cs.IR
Recommendations and Results Organization in Netflix Search
Netflix主页上的个性化推荐基于用户的观看习惯和类似用户的行为。这些建议，组织有效的浏览，使用户能够发现下一个伟大的视频观看和享受没有额外的输入或明确表达他们的意图或目标。另一方面，Netflix搜索体验允许用户通过搜索查询明确表达他们的娱乐需求，从而主动控制发现新视频。在这次演讲中，我们讨论了在Netflix娱乐环境中产生超越传统关键字匹配的搜索结果以有效满足用户搜索需求的重要性。出于用户的各种搜索意图，我们强调有必要通过应用历史上为主页提供动力的方法来改进搜索。具体来说，我们讨论了我们在搜索环境中利用推荐的方法，并有效地组织搜索结果，为我们的用户提供有意义的增值产品体验。
2021-05-28 cs.HC cs.IR
Unified Generative & Dense Retrieval for Query Rewriting in Sponsored Search
Microsoft（微软）；Indian Institute of Technology Madras（印度理工学院马德拉斯分校）
本文提出 CLOVER-Unity，在单一模型中统一 NLG 与 DR 查询改写，兼顾互补关键词，离线和 Microsoft Bing 在线实验均显示效果、收入提升且成本下降。
2023-06-03 cs.CL cs.IR
LLM-based Semantic Search for Conversational Queries in E-commerce
University of Arizona（亚利桑那大学）
本文提出基于大语言模型的语义搜索框架，通过结合领域嵌入与结构化过滤，提升电商会话查询的检索精度与召回率。
2026-01-23 cs.IR
Improving Retrieval in Sponsored Search by Leveraging Query Context Signals
Microsoft（微软公司）
本文提出利用网络搜索结果和GPT-4生成的查询上下文信号增强赞助搜索中的查询理解，并通过Fusion-in-Decoder架构和上下文瞥见策略提升稠密与生成式检索性能，离线实验和在线A/B测试均验证了其在用户参与度和收入上的显著改进。
2024-10-18 cs.CL cs.IR
Retail Product Search: A Practical Approach at Target
Target Corporation（塔吉特公司）
本文介绍了塔吉特公司结合词汇与向量搜索的混合商品搜索系统，通过数据处理、嵌入训练、精度控制及加权交错融合等优化，显著提升点击率、转化率与需求，并大幅减少零结果搜索。
2026-09-28 cs.IR cs.LG
Multi-Turn Agentic Scientific Literature Search via Workflow Induction
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Together AI；University of Pennsylvania（宾夕法尼亚大学）；Stanford University（斯坦福大学）
提出PaperPilot，通过构建可执行DAG工作流进行多轮文献搜索，利用用户反馈优化查询和工作流，显著提升搜索性能并消除执行错误。
2026-07-07 cs.CL cs.IR
Beyond Content Relevance: Evaluating Instruction Following in Retrieval Models
本研究评估检索模型在内容相关性之外的指令遵循能力，开发了涵盖六种文档级属性的InfoSearch基准及SICR和WISE指标，发现微调与扩大模型规模虽有提升，但多数模型仍难完全遵从指令。
2025-03-05 cs.IR
Deep Reinforcement Learning for Personalized Search Story Recommendation
Penn State University（宾夕法尼亚州立大学）；University of Arizona（亚利桑那大学）；Facebook（脸书）
近年来，与其他有机渠道结合展示的\emph{search story}已成为电商搜索平台、新闻推送平台、网页及图片搜索平台等平台的主要用户流量来源。推荐的搜索故事引导用户识别她自己的偏好和个人意图，这随后影响用户的实时和长期搜索行为。随着搜索故事的重要性越来越高，随着搜索故事变得越来越重要，在这项工作中，我们研究了搜索引擎中的个性化搜索故事推荐问题，其目的是建议与搜索关键字和单个用户的兴趣相关的搜索故事。为了解决对推荐搜索故事的当前和未来价值进行建模的挑战（即，交叉通道效应），传统的监督学习框架是不适用的，我们求助于马尔可夫决策过程，并提出了一个由模仿学习和强化学习训练的深度强化学习架构。我们通过对JD.com真实数据集的大量实验，实证证明了我们提出的方法的有效性。
2019-07-26 cs.IR cs.LG stat.ML
Bridging Passive and Active: Enhancing Conversation Starter Recommendation via Active Expression Modeling
Bytedance Beijing China（字节跳动北京中国）
针对LLM驱动的对话搜索中被动推荐陷入回声室的问题，提出PA-Bridge框架，通过对抗分布对齐器桥接被动推荐与主动表达之间的分布差异，并引入语义离散化器实现流行度去偏，在线实验显著提升特征渗透率和用户活跃天数。
2026-06-16 cs.CL cs.IR
Enhancing Cloud-Based Large Language Model Processing with Elasticsearch and Transformer Models
University of Texas at Dallas（德克萨斯大学达拉斯分校）；University of Southern California（南加利福尼亚大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文探讨语义向量搜索原理，并结合 Elasticsearch 与 Transformer 模型提升云端 LLM 处理的准确性、相关性及实际部署能力。
2024-02-24 cs.CL cs.DC cs.DL
SMART: LLM-Augmented Hybrid Retrieval for Dynamic Product Ads
Snap Inc.（Snap公司）
研究动态产品广告中重定向和开拓新客户的平衡问题，提出SMART方法，通过规则与LLM生成查询结合及质量门控管理成本，经实验验证，该方法有效提升广告转化率，降低LLM成本。
2026-07-28 cs.CL cs.IR cs.LG
The language of sound search: Examining User Queries in Audio Search Engines
Huawei Technologies（华为技术有限公司）；Universitat Pompeu Fabra（庞培法布拉大学）
本研究通过分析定制调查和Freesound日志中的用户查询，揭示了声音搜索引擎中用户查询的长度、关键词偏好及影响因素，为开发以用户为中心的基于文本的音频检索系统提供了关键见解。
2024-10-10 cs.CL cs.HC cs.IR
