深度加强型查询重构用于信息检索
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
通过使用两种基于集成的提示技术（GenQREnsemble 和 GenQRFusion）来改进搜索查询的检索性能，利用反馈信息提供更好的搜索体验，并建立了自动查询改写的最新技术水平。
May, 2024
通过使用零 - shot 询问版本，我们提出了一种基于集成提示技术的查询再构建方法，称为 GenQREnsemble，该方法利用零 - shot 指令的释义生成多组关键词，从而最终提高检索性能。
Apr, 2024
本文基于 Guo 等人 (2016) 的深度相关匹配模型 (DRMM)，探讨了几种新的文件相关性排序模型。加入上下文有关的编码，包括多视图的查询和文档输入，测试证明新模型优于 BM25，DRMM 和 PACRR。
Sep, 2018
利用强化学习技术的深度学习模型预测用户下一个搜索词并依据长期会话反馈、语法相关性以及生成查询的自然度等奖励信号对高质量且多样化的相关搜索查询进行推荐。相对于基线监督模型，我们提出的方法在推荐的多样性、用户参与度和每个句子重复词的数量方面都有显著的相对改进（3％、4.2％和 82％）。
Aug, 2021
提出了一种使用强化学习和多个策略梯度网络的查询导向摘要生成方法，通过改进语义相似性奖励以及使用聚类假设构建的段落嵌入方案，显著提高了生成文本质量和性能。
Nov, 2023
本文介绍了澳大利亚麦考瑞大学在 BioASQ 6b，B 阶段中的贡献，探讨了多文档摘要中的深度学习和强化学习方法。最佳结果使用了一个基于深度学习模型的回归框架，该模型使用了基于 LSTM 链输出的特征以及与查询的相似度和句子位置有关的特征。同时，强化学习方法也被证明可行，通过 REINFORCE 算法训练全局策略，该策略由使用包含候选句子、问题和上下文的 tf.idf 特征编码的神经网络来实现。
Sep, 2018
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
基于交互反馈进行交互式搜索可以显著提高搜索准确性，而现有最先进系统中，强化学习模型主要通过项级反馈进行交互，忽略了句子级反馈的细粒度信息。本文提出了一种新的基于深度 Q 学习的方法 DQrank，通过适应自然语言处理方面最先进的 BERT 模型，根据用户参与度选择关键句子并进行更满意的响应。我们还提出了两种机制来更好地探索优化动作。DQrank 进一步利用 DQ 中的经验回放机制来存储反馈句子，以获得更好的初步排名性能。我们在三个搜索数据集上验证了 DQrank 的有效性，结果显示 DQrank 的性能至少比之前的最先进强化学习方法提高了 12%。我们还进行了详细的消融研究，消融结果表明每个模型组件都能高效地提取和累积用户句子级反馈的长期参与效果，该结构为构建具有句子级交互的搜索系统提供了有性能保证的新技术。
Oct, 2023