本文提出了一种新的查询编码器 ——ANCE-PRF，利用伪相关反馈（PRF）来改进稠密检索的查询表示，使用 BERT 编码器消耗查询和从密集检索模型中检索到的顶级文档，直接从相关标签中产生更好的查询嵌入。

Aug, 2021

本文研究了将 Pseudo Relevance Feedback 方法集成到基于深度语言模型的 rerankers 和 dense retrievers 中的方法，并对基于文本和向量的 PRF 方法进行了考虑和评估。在四个数据集和两个任务设置下进行了广泛的实证评估。结果表明，vector-based PRF 方法有效提高了 deep rerankers 和 dense retrievers 的检索和排名效果。

Aug, 2021

本研究探讨了基于伪相关反馈的多重嵌入密集检索方法的潜力。通过从第一遍密集检索中确定的伪相关文件集中提取代表性反馈嵌入，然后将其添加到查询表示中，证明了这些附加反馈嵌入不仅能够提高重新排序的有效性，还能提高附加密集检索操作的效率。

Jun, 2021

本文提出了一个端到端的神经伪相关反馈（PRF）框架，通过将不同的神经模型嵌入到建筑块中，可以与现有的神经信息检索模型一起使用来改善它们的性能。在两个标准测试集上的广泛实验证实了提出的 NPRF 框架在改善两个最先进的神经 IR 模型的性能方面的有效性。

Oct, 2018

本文提出了一种名为 APRF-Net 的神经模型，将伪相关反馈（PRF）方法应用于查询分类中，以改善较为罕见的查询的表现，通过实验结果表明，这种模型可以显著提高查询分类效果。

Apr, 2021

本研究对 Karpukhin 等人于 2020 年提出的基于稠密编码的全域问答模型（DPR）进行了复制研究，其中发现原作者低估了 BM25 基准检索的有效性。我们通过改进的答案跨度评分技术，使用与原论文相同的模型获得更好的端到端问题答案准确性。

Apr, 2021

提出了一种名为 Loss-over-Loss (LoL) 的框架，该框架通过在训练期间比较不同查询的重制损失来区分相关和不相关信息，并通过惩罚使用更多反馈但获得更大损失的修订来实现比较正则化，以提高伪相关反馈的效率。

Apr, 2022

本论文提出了一种 Query-bag 基于伪相关反馈的框架（QB-PRF），通过构建与查询相关的查询包作为伪信号来指导信息检索对话，采用对比学习训练无监督方式中的同义查询选择模块（QBS），通过多维注意力计算融合同义查询的查询包融合模块（QBF），验证其在两个预训练骨干模型（BERT 和 GPT-2）上的优越性能。实验结果表明，QB-PRF 框架在两个基准数据集上的表现比强基线模型更好。

Mar, 2024

密集路径检索（DPR）是提升大型语言模型（LLM）性能的检索增强生成（RAG）范式中的第一步，本研究通过探测、层激活分析和模型编辑的组合，深入研究 DPR fine-tuning，发现 DPR 训练方式中的去中心化存储及其对检索模型的限制，为密集检索提供了几个可能的方向：（1）将更多知识暴露给 DPR 训练过程以实现更多的去中心化，（2）将事实作为分散表示注入，（3）在检索过程中建模和融入知识的不确定性，以及（4）将内部模型知识直接映射到知识库。

Feb, 2024

本文提出了利用轻量级的推理，将 re-ranker 的命中率反馈给 retriever 的方法，从而提高检索召回率。实验证明，此方法在多个领域、语言和模态下均明显提高了检索召回率。

May, 2023