本文提出了通用意图编码器（GEN编码器），该编码器可以通过学习大规模Bing搜索日志中的用户点击，生成用户搜索意图的分布式表示空间，最终在多个释义任务上进行微调，实验证明GEN编码器在查询意图相似性建模方面具有鲁棒性且优于现有方法。
Jul, 2019
研究如何通过建立新模型来识别用户意图，以提高自然语言处理、查询分析、查询建议和排序等搜索引擎任务的效果。
May, 2020
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
使用大型语言模型通过生成用户意图分类法来分析网页日志数据中的用户意图，以人为验证确保分类质量，并实现了一个可扩展和适应性强的方法，从搜索和聊天日志中发现用户意图的新见解。
Sep, 2023
通过统一搜索任务，大规模语言模型框架重新定义了传统的搜索栈，利用其强大的语言理解和推理能力，提高搜索结果质量并简化搜索系统。
Oct, 2023
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
使用大型语言模型构建的用户搜索行为模拟器在查询生成方面优于现有方法，并在预测用户点击和停止行为方面可与传统方法媲美。这些结果不仅验证了使用大型语言模型进行用户模拟的有效性，还为更强大和通用的用户模拟器的开发提供了启示。
Mar, 2024
将大型语言模型与搜索引擎服务相结合，为服务计算领域带来重大变革，本文深入研究了如何整合大型语言模型和搜索引擎以互惠互利。重点关注两个主要方面：使用搜索引擎改进大型语言模型(Search4LLM)和使用大型语言模型增强搜索引擎功能(LLM4Search)。
Jun, 2024
本研究旨在解决传统相关性建模方法在判断查询与项目相关性方面存在的不足。通过引入用户交互数据并提出渐进式检索行为增强提示（ProRBP）框架，有效集成领域知识与大语言模型，从而精准捕捉动态搜索意图。实验结果表明，该方法在实际应用中具有显著的性能提升潜力。
Aug, 2024
本研究解决了现有信息检索系统数据集缺乏查询意图的描述这一问题。通过利用先进的语言模型，提取查询的隐含意图并构造详细的语义丰富描述，增强了基准数据集的可理解性。该方法的关键发现是，改进的查询描述可以提升信息检索系统的评估和排名效果。