DREAM: Improving Video-Text Retrieval Through Relevance-Based Augmentation Using Large Foundation Models
University of Waterloo(滑铁卢大学);Duke University(杜克大学);City University of Hong Kong(香港城市大学);Netflix Eyeline Studios(Netflix Eyeline工作室)
本文提出DREAM范式,利用大型语言模型和视觉生成模型对视频与文本进行基于相关性的增强,从而学习更具泛化性的特征,并在多个视频-文本检索基准上取得优于现有方法的结果。
2025-02-04 cs.CL cs.CV cs.IR
QueStER: Query Specification for Generative keyword-based Retrieval
MILA – Quebec AI Institute & ILLS(魁北克人工智能研究所);Université Paris-Saclay & CentraleSupélec & CNRS(巴黎-萨克雷大学);Air Liquide(Air Liquide公司);Sorbonne Université & ISIR & CNRS(索邦大学)
QueStER通过生成显式的关键词检索规范,结合生成式查询重写和传统检索的效率,提升跨领域检索性能。
2026-01-21 cs.CL cs.IR cs.LG
Deep Interest Mining for Intent-Enriched Semantic IDs in Multimodal Generative Recommendation
Amazon(亚马逊)
提出DeepInterestGR框架,通过视觉线索和意图描述符丰富量化前的物品表示,并结合相关性门控语义奖励,提升基于语义ID的生成式推荐性能。
2026-06-01 cs.AI cs.IR
GEM: A Generative Embedding Model Bridging Reasoning and Retrieval
University of Glasgow(格拉斯哥大学)
针对传统检索器表层匹配导致的需求解读差距问题,提出生成式嵌入模型GEM,将推理与检索统一,在相关任务上性能优于基线,还可通过提示扩展测试时计算提升效果。
2026-08-17 cs.AI cs.CL cs.IR
Revisiting Generative vs. Dense Retrieval: A Static Value Prior Reverses the Gap
Shopify;University of Toronto(多伦多大学)
该研究对比生成式检索与密集检索在推荐任务中的表现,发现静态物品价值先验可逆转生成式检索的价值领先,且工业场景下大模型仍弱于小型密集编码器。
2026-11-06 cs.AI cs.IR cs.LG
Improving Pinterest Search Relevance Using Large Language Models
Pinterest
本文提出将大型语言模型集成到 Pinterest 搜索相关性模型中,通过多模态文本表示、半监督学习和多语言扩展提升训练数据规模,并将模型蒸馏为可实时服务的架构,最终在大规模部署中验证了相关性提升效果。
2024-10-22 cs.CL cs.IR
Relevance to Utility: Process-Supervised Rewrite for RAG
IPAI, Seoul National University(IPAI,首尔国立大学);Naver Corp(Naver公司)
R2U通过联合观察重写和回答过程中的推理来近似真实效用,提升检索增强生成系统的生成效用。
2026-01-07 cs.AI cs.CL
Prioritized Generative Replay
Department of Electrical Engineering and Computer Science(电气工程与计算机科学系);University of California, Berkeley(加州大学伯克利分校)
本文提出优先化生成回放方法,用条件扩散模型对在线经验进行参数化记忆和稠密化,并通过相关性函数引导生成更有用的转移,从而提升在线强化学习的性能和样本效率。
2025-05-08 cs.LG
LERA: LLM-Enhanced RAG for Ad Auction in Generative Chatbots
Peking University(北京大学);Alibaba Group(阿里巴巴集团);Shandong University(山东大学)
LERA提出一种两阶段检索生成拍卖框架,通过嵌入粗过滤和LLM提示生成优化广告相关性评分,提升广告选择准确性和多样性。
2026-05-15 cs.AI cs.IR
PPLqa: An Unsupervised Information-Theoretic Quality Metric for Comparing Generative Large Language Models
Amazon Web Services(亚马逊云科技);Santa Clara University(圣克拉拉大学)
本文提出无监督信息论度量 PPLqa,无需人工标注即可评估生成式大语言模型的回答质量,在长文本问答中表现更优,并与人类及 LLM 排序高度相关。
2024-11-22 cs.AI cs.CL
GQE-PRF: Generative Query Expansion with Pseudo-Relevance Feedback
Artificial Intelligence Application Research Center, Huawei Technologies(华为技术有限公司人工智能应用研究中心)
在信息检索中,基于伪相关反馈的查询扩展是提高检索效率的有效方法.近年来,随着深度学习技术的快速发展,神经文本生成在许多自然语言任务中取得了令人鼓舞的成功。为了充分利用文本生成的优势进行信息检索,本文提出了一种新的方法,有效地将文本生成模型集成到基于PRF的查询扩展中。特别是,我们的方法通过神经文本生成模型生成增强的查询条件的初始查询和伪相关反馈。此外,为了训练生成模型,我们采用了条件生成对抗网(CGANs),提出了PRF-CGAN方法,其中生成器和生成器都以伪相关反馈为条件。我们使用两个基准数据集评估我们的方法在信息检索任务上的性能。实验结果表明,我们的方法取得了相当的性能或优于传统的查询扩展方法的检索和重排序任务。
2021-08-13 cs.AI cs.CL cs.IR
DSIRM: Learning Query-Bridged Discrete Semantic Identifiers for E-commerce Relevance Modeling
Taobao & Tmall Group of Alibaba(淘宝与天猫集团)
针对电商搜索中连续嵌入难以捕捉细粒度属性区分的问题,提出查询桥接对比量化的离散语义标识符相关性模型(DSIRM),通过注入查询-物品交互监督学习语义感知分区,并利用生成式大语言模型预测物品标识符,显著提升相关性建模效果。
2026-06-03 cs.AI cs.IR
GLEN: Generative Retrieval via Lexical Index Learning
Sungkyunkwan University(成均馆大学)
本文提出GLEN方法,通过两阶段动态词表索引学习策略和无冲突推理机制,解决了生成式检索中预训练知识与标识符差异及训练推理差距问题,在多个基准数据集上达到最优或具竞争力的性能。
2023-11-06 cs.CL cs.IR
Validating Pharmacogenomics Generative Artificial Intelligence Query Prompts Using Retrieval-Augmented Generation (RAG)
Lipscomb University(利普斯科姆大学);Helix Labs(Helix实验室);Sherpa Rx
本研究验证了Sherpa Rx工具,通过整合CPIC和PharmGKB数据及RAG技术,在药物基因组学查询中显著提升响应准确性与完整性,优于ChatGPT-4omini。
2025-08-03 cs.AI
GRM: Generative Relevance Modeling Using Relevance-Aware Sample Estimation for Document Retrieval
针对大语言模型生成式查询扩展易产生无关信息损害检索效果的问题,提出采用相关性感知样本估计的生成式相关性建模GRM,通过匹配真实文档与神经重排估计相关性以优化扩展词权重,在三个基准上显著提升检索性能。
2023-06-16 cs.IR
Evaluation of Automatic Speech Recognition Using Generative Large Language Models
Idiap Research Institute(Idiap研究 institute);EPFL(瑞士联邦理工学院);Brno University of Technology(布拉格技术大学);Avignon University(阿维尼翁大学);Le Mans University(勒曼大学);Nantes University(南特大学)
本文提出利用生成式大语言模型通过假设选择、语义距离计算和错误分类三种方法评估ASR,在HATS数据集上达到92-94%的人类一致性,优于WER和语义指标。
2026-05-29 cs.CL
AgentEval: Generative Agents as Reliable Proxies for Human Evaluation of AI-Generated Content
Centre for Data Science, School of Computer Science, Queensland University of Technology(数据科学中心、计算机科学学院、昆士兰科技大学)
AgentEval通过生成代理高效评估AI生成内容,减少人工评估成本,提升内容质量与一致性。
2025-12-09 cs.AI
GREASE: A Generative Model for Relevance Search over Knowledge Graphs
相关性搜索是在知识图谱中寻找与查询实体相关的排名靠前的实体。相关性是模糊的,特别是在像DBpedia这样的模式丰富的KG上,它支持基于许多类型的关系和属性的各种不同的相关性语义。由于用户可能缺乏专业知识来形式化所需的语义,监督方法已经出现,以学习隐藏的用户定义的相关性,从用户提供的例子。沿着这条线,在本文中,我们提出了一种新的生成模型在KG的相关搜索,名为油脂。该模型适用于基于元路径的相关性,其中元路径表征将查询实体与回答实体相关联的特定类型的语义。它还被扩展为支持约束答案实体的属性。在两个大型幼儿园上进行的大量实验表明,GREASE在有效性、表现力和效率方面都达到了先进水平。
2019-10-11 cs.DB cs.IR
Generative Relevance Feedback and Convergence of Adaptive Re-Ranking: University of Glasgow Terrier Team at TREC DL 2023
本文报告了格拉斯哥大学Terrier团队在TREC DL 2023中的参赛工作,通过将大型语言模型的生成式相关反馈与基于monoELECTRA的自适应重排序相结合,在BM25和SPLADE上提升了检索性能。
2024-05-02 cs.IR
Generative Retrieval Meets Multi-Graded Relevance
提出 GR$^2$ 框架,通过联合优化标识符的相关性与区别性并采用多级受限对比训练,将生成式检索扩展至多级相关性场景,有效提升了检索性能。
2024-09-27 cs.IR
Optimizing Generative Ranking Relevance via Reinforcement Learning in Xiaohongshu Search
Beijing University of Posts and Telecommunications(北京邮电大学);Xiaohongshu Inc.(小红书公司)
通过强化学习提升小红书搜索生成排序的相关性建模,增强可解释性和性能。
2025-12-29 cs.AI cs.IR
Generative Relevance Feedback with Large Language Models
针对伪相关性反馈依赖初始检索结果的问题,提出GRF方法,利用LLM生成的长文本构建概率反馈模型,在多类文档检索基准上显著超越现有PRF及稀疏、稠密、扩展模型。
2023-04-25 cs.IR
Learning Multiresolution Relevance for Hierarchical Generative Retrieval
Institute of Artificial Intelligence, Beihang University(北京航空航天大学人工智能研究院);Meituan(美团)
提出RARS方法,通过将文档级相关性分解为层级条件分布来监督查询编码器,在自回归生成式检索中提升多语言ESCI数据集上的检索性能,且推理时无需额外开销。
2026-10-01 cs.IR
Graph-GRPO: Dependency-Aware Credit Assignment for Generative E-commerce Search Relevance
Nankai University(南开大学)
提出Graph-GRPO,一种基于图结构的GRPO扩展,通过构建推理依赖图并传播结果级奖励实现细粒度信用分配,提升电商搜索相关性建模。
2026-05-29 cs.IR
Preference Shapes Relevance: Cross-component Hierarchical Semantic Alignment for Personalized Generative Retrieval
University of Science and Technology of China(中国科学技术大学);Meituan(美团)
针对生成式检索的语义鸿沟、未建模用户行为及推理延迟问题,提出CHAP框架,通过分层语义对齐等机制实现高效个性化检索,在多数据集及在线测试中表现优异。
2026-09-01 cs.AI cs.IR
Scalable and Effective Generative Information Retrieval
本文提出RIPOR优化框架,通过前缀导向排序和基于关联性的文档ID构建,首次实现生成式检索在大规模基准上的有效训练,大幅超越现有生成式模型并媲美稠密检索。
2023-11-15 cs.IR
Generative and Pseudo-Relevant Feedback for Sparse, Dense and Learned Sparse Retrieval
本研究将生成式相关反馈扩展到稠密和学习型稀疏检索,结合伪相关反馈信号,在六个基准上提升精确率和召回率约10%,并显著提高召回率。
2023-05-12 cs.IR
The Laws of Context Allocation: Causal Measurement and Closed-Loop Orchestration in Generative Search
National Engineering Research Center for Software Engineering, Peking University(北京大学国家软件工程研究中心);Peking University(北京大学);Tencent(腾讯)
该研究针对RAG的证据利用测量与上下文预算分配瓶颈,提出因果留一法探针与闭环次模调度器,实现组合召回率提升16.7-20.5个百分点,确立顺序反馈驱动编排为生成式搜索的范式。
2026-08-25 cs.CL cs.IR cs.LG
Xinyu AI Search: Enhanced Relevance and Comprehensive Results with Rich Answer Presentations
AIDS and SIAR, University of Science and Technology of China(艾滋病与SIAR,中国科学技术大学);ESAT-PSI, KU Leuven(ESAT-PSI,比利时鲁汶大学);Institute for Advanced Algorithms Research(先进算法研究所);The Hong Kong Polytechnic University(香港理工大学)
本文提出Xinyu AI Search,通过查询分解图、多源聚合检索和重排序优化,结合细粒度引用与可视化呈现,构建了首个整合检索、生成与用户中心呈现的生成式AI搜索综合框架。
2025-05-28 cs.AI cs.IR
Generative Query Reformulation for Effective Adhoc Search
研究生成式语言模型在查询重构中的能力,提出GenQR和GenPRF框架,通过微调和直接提示技术,在多个TREC测试集上显著提升检索有效性,优于统计方法且实现更简单。
2023-08-01 cs.IR
Reliable Confidence Intervals for Information Retrieval Evaluation Using Generative A.I
针对生成式 LLM 相关性标注存在系统性错误导致 IR 评估不可靠的问题,提出基于预测驱动推断和保形风险控制的置信区间方法,并证明其优于自助法估计。
2024-07-02 cs.IR stat.ML
CTR-Guided Generative Query Suggestion in Conversational Search
本文提出GQS框架,通过多源CTR建模、CTR加权DPO偏好对齐和迭代优化,在对话式搜索中生成兼顾相关性与多样性的查询建议,实验证明其在CTR、相关性和多样性上优于基线。
2025-07-05 cs.IR
Listwise Generative Retrieval Models via a Sequential Learning Process
本文提出一种列表式生成检索方法,通过序列学习过程优化docid列表生成,并引入相关性校准,在二元和多级相关性数据集上超越现有GR基线。
2024-03-19 cs.IR
Explicitly Integrating Judgment Prediction with Legal Document Retrieval: A Law-Guided Generative Approach
针对现有法律检索未显式结合判决预测导致准确率低、透明度不足的问题,提出法律引导的生成式检索方法GEAR,以序列到序列方式显式整合两类任务,在多个数据集上取得更优效果与鲁棒性。
2024-04-15 cs.IR
VARG: Value-Aware and Ranking-Aligned Generative Retrieval for Dynamic E-commerce Search
University of Science and Technology of China(中国科学技术大学);Taobao & Tmall Group of Alibaba(阿里巴巴淘宝天猫集团);Nankai University(南开大学)
针对电商搜索召回与粗排整合问题,提出VARG生成式检索系统,通过RQ-VAE语义前缀、价值排序令牌及Prefix-GRPO对齐,在离线与在线测试中提升GMV、IPV和PCTR。
2026-09-15 cs.IR
Mitigating Preference Leakage via Strict Estimator Separation for Normative Generative Ranking
University of Southampton(南安普顿大学);Umm Al-Qura University(乌姆古拉大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
本文提出通过严格分离监督与评估模型,缓解偏好泄漏问题,提升生成排序的可信度。
2026-02-25 cs.IR
Scalable In-context Ranking with Generative Models
UT Austin(得克萨斯大学);Google(谷歌)
本文提出BlockRank方法,利用LLM注意力中的块稀疏性和查询-文档相关性结构,将注意力复杂度从二次降为线性,在保持性能的同时实现高效可扩展的情境内排序。
2025-10-08 cs.IR cs.LG
Query Segmentation for Relevance Ranking in Web Search
在本文中,我们试图回答的问题,如何提高国家的最先进的方法在Web搜索的相关性排序的查询分割。这里,通过查询分割,其意味着将输入查询分割成段,通常是自然语言短语,使得搜索中的相关性排名的性能增加。我们建议采用重新排序的方法在查询分割,首先采用一个生成模型来创建前$k$候选人,然后采用一个判别模型来重新排序的候选人,以获得最终的分割结果。该方法已被广泛用于自然语言处理中的结构预测,但据我们所知,尚未应用于查询分割。此外,我们提出了一种新的方法,使用的查询分割的结果在相关性排名,它把原始查询词和分割的查询短语作为查询表示的单位。我们调查我们的方法是否可以改善三个相关性模型,即BM 25,关键n-gram模型,和依赖模型。我们在三个大规模网络搜索数据集上的实验结果表明,我们的方法确实可以显着提高相关性排名在所有三种情况下。
2013-12-01 cs.IR
ICEGR: An Intent-Coherent End-to-End Generative Retrieval Framework for E-commerce Search
Baidu(百度);Beihang University(北京航空航天大学);Renmin University of China(中国人民大学)
本文针对现有电商搜索生成式检索方法的意图一致性问题,提出ICEGR框架,通过三个组件优化后,在离线指标及百度电商搜索A/B测试中均取得显著性能提升。
2026-09-11 cs.IR
GPT4Rec: A Generative Framework for Personalized Recommendation and User Interests Interpretation
University of Michigan(密歇根大学);Amazon(亚马逊)
提出受搜索引擎启发的生成式推荐框架GPT4Rec,利用GPT-2生成多查询并基于BM25检索物品,克服了传统判别式模型的局限,显著提升了推荐的相关性与多样性,并增强了用户兴趣的可解释性。
2023-04-08 cs.IR cs.LG
Bootstrapped Pre-training with Dynamic Identifier Prediction for Generative Retrieval
针对生成式检索预训练受静态文档标识符限制的问题,提出含三阶段训练、结合大模型生成噪声文档与伪查询的自举预训练方法BootRet,动态调整标识符,性能优于现有基线且零样本表现优异。
2024-07-16 cs.IR
A Little More Like This: Text-to-Image Retrieval with Vision-Language Models Using Relevance Feedback
Maastricht University(马斯特里赫特大学)
本文提出基于相关反馈机制提升视觉语言模型文本到图像检索性能的方法,通过四种反馈策略在Flickr30k和COCO数据集上验证,提升了检索效果并增强了多轮检索的鲁棒性。
2025-11-21 cs.CV cs.IR
The Wisdom of the Loudest: A Large-Scale Audit of Generative Search on Reddit
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本研究通过大规模审计Reddit Answers,发现生成式搜索在检索和综合中偏向正式语言和置顶评论,削弱经验性声音,强调设计需兼顾来源、多元性与可读性。
2026-09-15 cs.IR
Explaining Documents' Relevance to Search Queries
我们提出了GenEx,生成模型来解释搜索结果,用户不仅仅是显示查询和文档单词之间的匹配。在搜索结果中添加GenEx解释会极大地影响用户满意度和搜索性能。搜索引擎大多为每个结果提供文档标题、URL和片段。现有的模型无关的解释方法同样集中在词匹配或基于内容的功能。然而,最近的一项用户研究表明,词匹配功能对用户来说是非常明显的,因此价值不大。GenEx通过对结果所涵盖的查询方面提供简洁的描述来解释搜索结果。我们铸造的任务作为一个序列转导问题,并提出了一种新的模型的基础上,Transformer架构。为了表示与给定查询相关的文档,但又不生成查询本身作为解释,在Transformer架构中添加了两个查询关注层和屏蔽查询解码。该模型是在不使用任何人类生成的解释的情况下进行训练的。相反,自动构造训练数据以确保可容忍的噪声水平和可推广的学习模型。实验评估表明,我们的解释模型显着优于基线模型。通过用户研究的评估也表明,我们的解释模型产生简短而有用的解释。
2021-11-02 cs.IR