CONQRR 使用强化学习训练了一个新的查询重写模型，使得原本用于非对话查询的信息检索引擎能够在对话的语境下得到有效的应用，并在最近的 CQA 数据集中实现了最新的成果，同时对于领域外的对话和零查询重写监督具有可靠性。

Dec, 2021

本文提出一种名为 ORConvQA 的交互式检索问答方法，通过基于 Transformers 的检索器、排序器和阅读器，实现在大规模语料库中检索答案并提取答案以构建功能性的交互式检索系统，并创建了 OR-QuAC 数据集以促进 ORConvQA 的研究。实验证明可学习的检索器对 ORConvQA 至关重要，在所有系统组件中启用历史建模可以显著提高系统性能，排序器组件提供了正则化效果并有助于模型性能的提升。

May, 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

本文以学习到的密集表示为基础，描述了一种紧凑而有效的模型，用于对话搜索中的低延迟段落检索。 通过将对话查询重构直接整合到密集检索模型中，我们提出了一种新方法来解决现有流程的问题。 在构建具有伪相关性标签的数据集的基础上，证明了该模型可用于会话检索和开放域问答数据集，最后通过改进的检索模型学习到的特性，支持混合检索和错误分析。

Apr, 2021

通过对齐基于词语和语义的检索系统，AdaCQR 框架增强了信息查询在多样检索环境中的泛化能力，并通过双阶段训练策略提供了数量和质量上的改进，从而显著优于现有方法，提供了与对话式查询改进相关的定量和定性改进。

Jul, 2024

本文研究了基于神经语言模型、以及不同的信息提取和答案生成方式，在特定的搜索导向的对话人工智能任务中，如何通过代表问题上下文的不同重写模块，从背景知识库中提取信息，生成知识回答，最终取得了最佳表现，并在分析中强调了对话上下文的重要性。

Jan, 2022

本文提出了 ConvGQR 的框架，该框架基于生成预训练语言模型，一种用于查询重写，另一种用于生成潜在答案。通过结合两者，ConvGQR 可以产生更好的搜索查询。此外，我们提出了一种知识注入机制来优化查询重写和检索，实验表明 ConvGQR 的有效性。

May, 2023

本论文介绍了一种分解对话问答任务的方法，包括问题重写和问题回答。通过引入一种新的对话 QA 架构和一个问题重写模型，证明了这种方法在 TREC CAsT 2019 建议检索数据集上已经达到了最新的技术水平，并在 QuAC 数据集中优于我们的基准模型。这个问题重写模型在两个数据集上的性能接近于人类的表现，而对话 QA 任务的终端性能差距主要是由于回答中的错误导致的。

Apr, 2020

在 CAsT-2021 的自动化轨道中，保留关键术语和上下文并使用经典的信息检索方法来解决会话系统中最具挑战性的任务之一 - 解决上下文依赖性。我们提交了两次运行，产生的平均 NDCG@3 性能比中位数模型更好。

Mar, 2022

本文提出了 Deep Contextualized Term Weighting 框架，可以将 BERT 的上下文表示映射到句子和段落的上下文感知权重，用于段落检索和一阶段检索算法，实验表明 DeepCT 的深层上下文理解显著提高了一阶段检索算法的准确性。

Oct, 2019