本文通过分析 TREC 会话查询日志，比较不同的词汇匹配方法以用于会话查询，并研究了在会话查询设定下词汇查询模型的可行性。作者指出，基于词频加权的朴素方法和专门的会话模型具有相当的性能表现。同时，还提出了词汇查询建模在会话搜索中的潜力和限制，并为会话搜索领域提出了未来方向。

Aug, 2016

本文提出了一种基于会话的查询建议定制序列到序列模型，利用查询感知的注意机制掌握会话上下文的结构，使用复制机制赋予模型解码器存取源单词的能力，实现对于大部分之前提交查询的保留，提出了模型评估的方法以验证其性能，实验证明该模型在查询建议任务中的生成查询和评分候选查询上的优异表现。

Aug, 2017

本文提出了一个基于概率建模框架的查询建议生成方法，通过从多个数据源获取关键词，并生成与之相关的查询建议，用 TREC 任务轨迹的测试套件来评估和分析模型的每个组成部分。

Aug, 2017

在电子商务搜索中，通过利用历史查询重构日志，采用远程监控的方法来确定查询的产品意图，进而在搜索引擎中强调定义查询的产品意图的术语，从而改善排名。实验证明比非情境性基线更胜一筹，可以解决查询处理中出现的多种问题。

Aug, 2019

介绍了一种基于神经网络的查询重构系统，使用强化学习训练神经网络，动作是选择术语以建立重构查询，回报是文档召回率，我们在三个数据集上评估了我们的方法，相对 Recall 方面有 5-20% 的改进。此外，我们提供了一种简单方法来估算模型在特定环境中的保守上限性能，并验证存在很大的改进空间。

Apr, 2017

通过使用深度强化学习模型，本研究提出了一个自动生成措辞的查询改写模型。在模型中结合了查询性能预测方法以产生高效的查询。并且针对信息检索的情境下，运用了信息检索排名模型训练，并在 TREC 2020 Deep Learning track MSMARCO 文献排名数据集上进行实验。结果表明，与各种基线模型相比，本研究的模型性能得到了较大提高。

Jul, 2020

探究了不同的查询表示方法结合不同的检索模型对检索性能的影响，同时提出了一种基于关键词提取方法的检索模型，并通过实验表明，该方法结合传统或基于决策论的相关性模型，可以显著提高查询效果。

Jul, 2022

该论文提出了一个基于单语机器翻译模型的查询重写流程，用于学习重写阿拉伯用户搜索查询，并描述了创建用户查询和网页标题之间映射的预处理步骤。

Oct, 2023

在电子商务搜索中，搜索查询的变化构成了挑战，因为等效的搜索意图可以通过不同的查询表达出来。本文介绍了一个框架，以识别和利用查询等效性来增强搜索者和商业结果。该方法解决了三个核心问题：将查询映射到搜索意图的向量表示、识别表示等效或相似意图的最近邻查询、以及针对用户或业务目标进行优化。该框架利用表面相似性和行为相似性来确定查询等效性。表面相似性涉及基于单词变化、单词顺序、合成以及噪声词对查询进行规范化。行为相似性利用历史搜索行为生成查询意图的向量表示。离线过程用于训练句子相似性模型，而在线的最近邻方法支持处理未见过的查询。实验评估表明了该方法的有效性，优于流行的句子转换模型，并实现了 0.85 的查询相似性皮尔逊相关系数。结果突显了利用历史行为数据和训练模型来识别和利用电子商务搜索中的查询等效性的潜力，提升用户体验和业务结果。鼓励进一步的进展和基准数据集，以促进解决电子商务领域中这一关键问题的解决方案的发展。

Aug, 2023

本文探讨了从 1960 年至 2017 年信息检索中的查询扩展技术，包括核心技术、数据源、加权和排名方法、用户参与以及应用，揭示了其相似性和差异性。

Aug, 2017