推动基于大语言模型的相关性建模：渐进式检索行为增强提示

Aug, 2024

推动基于大语言模型的相关性建模：渐进式检索行为增强提示

Towards Boosting LLMs-driven Relevance Modeling with Progressive Retrieved Behavior-augmented Prompting

Zeyuan Chen, Haiyan Wu, Kaixin Wu, Wei Chen, Mingjie Zhong...

TL;DR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。

Abstract

Relevance Modeling is a critical component for enhancing user experience in Search Engines, with the primary objective of identifying items that align with users' queries. Traditional models only rely on the sema

发现论文，激发创造

挖掘用户行为隐式相关反馈以用于网络问答

本文通过研究用户行为与段落相关性的关联性，提出了一种新的从用户行为数据中挖掘Question Answering系统训练数据的方法，并在四个测试数据集上得出了显著的排名准确性提高的结果。

Jun, 2020

超越语义：学习行为增强的相关性模型与自监督学习

我们提出了一种Behavior Augmented Relevance Learning模型，通过利用邻居查询和邻居项来补充目标查询-项语义匹配，从而改进了Alipay Search的准确性和鲁棒性。实验结果显示我们的提案在低延迟下取得了有希望的性能。

Aug, 2023

大型搜索模型：在LLMs时代重新定义搜索架构

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

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

弥合检索模型与语言模型之间的偏好差距

我们提出了一个新的桥接模型，并验证了RAG中检索器的排序和选择假设，并提出了一个将监督学习和强化学习连接起来的培训框架，在问答和个性化生成任务中证明了我们方法的有效性。

Jan, 2024

USimAgent: 用于模拟搜索用户的大型语言模型

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

产品搜索的相关判断大型语言模型

基于Large Language Models (LLMs)的技术，通过自动化查询-商品对的相关性判断，改善产品搜索的相关性预测精度，对商品搜索的相关判断自动化领域具有重要影响。

Jun, 2024

搜索引擎服务与大规模语言模型相遇：愿景与挑战

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

面向查询的会话搜索数据增强

通过查询导向的数据增强方法，模型能够更好地理解用户搜索模式，训练数据对称性在识别搜索上下文和候选文档的相关性方面起到重要作用。

Jul, 2024

混合语义搜索：揭示用户意图超越关键词

本研究解决了传统基于关键词搜索在理解用户意图方面的局限，提出了一种新颖的混合搜索方法，结合了非语义搜索引擎、大型语言模型（LLMs）和嵌入模型的优势。该系统通过关键词匹配、语义向量嵌入和LLM生成的结构化查询，提供高相关性和上下文适切的搜索结果，显著提升了搜索的准确性和响应速度。

Aug, 2024