EMNLPOct, 2023

加强对话式搜索：大型语言模型辅助的信息性查询改写

PDF
TL;DR通过利用大型语言模型作为查询重写器，并结合精心设计的指令，我们定义了四个重写的关键属性，提出了基于大型语言模型的查询重写方法。我们还介绍了 LLMs 的重写能力的提炼，并采用 “先重写后编辑” 的方法来处理初始查询重写。实验结果在 QReCC 数据集上表明，信息丰富的查询重写可以显著提高检索性能，特别是在检索器稀疏的情况下。
query rewritingconversational searchlarge language modelsinformative query rewritesrewriting latency
发现论文，激发创造
  • 大型语言模型时代的查询理解

    本文提出了一种使用大语言模型的通用交互式查询重写框架，旨在提高透明性和意图理解能力，并改变传统的意图理解方法；在初步实验的支撑下，通过自然语言表达、交互和推理机器意图，取得了显著的排序性能提升。

    Jun, 2023

  • 检索增强大型语言模型的查询重写

    该研究介绍了一个新的 Rewrite-Retrieve-Read 框架，该框架从查询重写的角度改进了检索增强方法，并通过强化学习调整该框架的策略模型，通过开放域 QA 等下游任务进行了验证。

    May, 2023

  • LLM-R2: 改进的基于规则重写系统的大型语言模型用于提升查询效率

    通过采用大语言模型（LLM）为数据库重写系统提出了一种名为 LLM-R2 的新型查询重写方法，该方法能够极大地提高查询执行效率，并且优于基线方法。

    Apr, 2024

  • 基于 LLM 的上下文感知查询重写文本排名器

    采用上下文感知查询重写的方法，通过使用大语言模型进行查询理解并对排序器进行微调，能够显著提高查询重写对排名任务的性能。

    Aug, 2023

  • RewriteLM：一种针对文本改写的指令调优大型语言模型

    本文介绍了一种新的评估基准 OpenRewriteEval 和一个基于指令调整的大型语言模型 RewriteLM，重点是长篇文本重写，展示了该模型在保留源文本的核心内容和意义，减少幻觉生成的内容，并展示了生成具有多种措辞和结构的改写的能力。

    May, 2023

  • 基于知识增强的大型语言模型个性化上下文查询建议

    通过与用户与搜索引擎的交互历史相关的上下文，我们提出了一种新颖且通用的方法，用于个性化输出，这对于理解用户当前的搜索背景以及他们历史上知道和关心的内容是必要的。我们验证了我们的方法在上下文查询建议的任务上优于几个其他 LLM 基准方法，生成了在上下文中更相关、个性化和有用的查询建议。

    Nov, 2023

  • 迈向基于设备的文本改写代理

    使用指令调整的新方法构建了一个移动中心的文本改写模型，通过高质量的无需人工标注的训练数据和启发式强化学习框架提高性能，并通过级联方法将移动重写代理与服务器模型结合，从而在保持显著减小模型尺寸的同时，超越了目前最先进的大型语言模型在文本重写方面的性能。

    Aug, 2023

  • 大型语言模型在信息检索中的应用：综述

    信息检索系统和大型语言模型的融合，包括关键方面，如查询重写、检索、重新排序和阅读器，在这一快速发展的研究领域中提供全面的概述和深入的见解。

    Aug, 2023

  • 最佳问题询问：将大型语言模型与检索器在对话式搜索中的偏好进行对齐

    通过 RetPO 框架，使用 Retrievers' Feedback 构建了一个大规模数据集，属于对话语境下的问题重述，并通过该数据集对较小的语言模型进行了微调，从而在两个最新的对话式搜索基准测试中实现了最新、显著超越包括 GPT-3.5 在内的现有基准。

    Feb, 2024

  • 利用大型语言模型和视觉语言模型增强交互式图像检索的查询重写

    我们提出了一种互动式图像检索系统，结合了视觉语言模型和大型语言模型，通过用户反馈迭代改进查询，并利用无噪声的查询扩展提高检索准确性，在评估中获得了 10% 的召回率改善。

    Apr, 2024