会话式信息寻求快速发展，并通过大型语言模型提供了解释和以自然的方式回应用户请求的基础。TREC 交互式知识助理跟踪（iKAT）集合旨在使研究人员能够测试和评估他们的会话式搜索代理（CSA）。该集合包含一组 36 个个性化对话，涵盖 20 个不同主题，每个对话与定义特定用户角色的个人文本知识库（PTKB）相结合。总共提供了 344 个回合和大约 26,000 个段落，用于评估相关性，以及针对生成的回应在相关性、完整性、基础性和自然性四个关键方面的其他评估。该集合挑战 CSA 有效地浏览多样化的个人背景，引出相关角色信息，并将上下文用于相关对话。PTKB 的整合以及对决策性搜索任务的强调为该测试集的独特性做出了贡献，使其成为推进会话和交互式知识助手研究的重要基准。

May, 2024

聊天式信息检索是一个重要的研究领域，TREC 交互式知识帮助追踪（iKAT）是在 TREC 交互式帮助追踪（CAsT）的基础上构建的，它着重于创建和研究根据用户先前互动和当前环境适应回复的聊天式搜索代理，挑战在于使这些个性化的上下文能够高效地引导用户获得相关信息，同时强调决策搜索任务，其中用户需要通过数据和信息来比较选择并做出结论或执行操作。

Jan, 2024

介绍了用于填充维基百科文章的 TREC CAR 赛道，提供使用信息检索方法，查询扩展和深度神经网络等一系列系统解决这一难题的早期结果以帮助未来参与者。

May, 2017

TREC 2019 新推出的 Deep Learning Track 使用大量标注数据，对包含三百万文档和五十万训练查询的 Ad Hoc 排名展开研究，结果 Deep Learning 方法在 15 组提交的 75 个运行中取得了优异的表现。

Mar, 2020

本文探讨了对话式检索中多轮段落检索的关键挑战，提出了一种基于双向 Transformer 的神经查询解决模型，即 QuReTeC，该模型可用于解决当前转换查询的任务，并演示了其在 TREC CAsT 数据集上的有效性。

May, 2020

该论文介绍了一种称为对话树搜索（CTS）的任务，它桥接了 FAQ 样式信息检索和面向任务的对话之间的差距，允许领域专家定义对话树，然后将其转换为高效的对话策略，从而实现目标完成率更高且能够跳过不必要的问题。

Mar, 2023

本文讨论了 Conversational Agents（CAs）和 Conversational Search（CS）的研究，提出了一个使用自然语言与搜索引擎对话的系统，并使用 Crowdsourcing 平台的工作人员创建了 Search as a Conversation（SaaC）数据集以及基于该数据集开发的最新的 Conversations with Search Engines（CaSE）管道，该管道引入了一个支持标记识别模块和先验知识指针生成器以生成更准确的响应，并通过实验表明 CaSE 能够胜过强基线模型。

Apr, 2020

论文提出两种对话查询重构方法：基于词频的重构和使用预训练序列到序列模型生成人类可理解的自然查询。两种方法的优点、缺点和不同行为进行了详细的定量和定性分析，并提出将它们的输出与相互排名融合结合使用，从而实现了最先进的检索效果，NDCG@3 相对于 TREC CAsT 2019 的最佳提交有 30％ 的提高。

May, 2020

本文介绍了 2020 年 Text Retrieval Conference (TREC) 的 Podcast Track，包括检索和摘要两个任务，提供了各个参与者的实验结果。此 Track 将在 2021 年 TREC 继续进行，略作修改以响应参与者的反馈意见。

Mar, 2021

介绍一个新数据集，用于在对话上下文中重新提问问题，提供了对问题改写、网页检索和阅读理解的指标。通过组合先进的问题重写模型和开放域 QA 的竞争模型，该方法显示出了 QReCC 数据集的效力，并证明了该设置的困难性和大量改进的空间。

Oct, 2020