Pseudo-Relevance Feedback Query Expansion Based on the Fusion of Association Pattern Mining and Word Embedding Learning
PulseAugur coverage of Pseudo-Relevance Feedback Query Expansion Based on the Fusion of Association Pattern Mining and Word Embedding Learning — every cluster mentioning Pseudo-Relevance Feedback Query Expansion Based on the Fusion of Association Pattern Mining and Word Embedding Learning across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的DIFF框架增强了密集检索中的查询重写
研究人员引入了方向后验反馈融合（DIFF），一个旨在改进密集检索系统中查询重写的新框架。DIFF将反馈建模为方向性证据而非固定点，从而实现更细致的查询更新。该方法旨在通过在不重新训练底层密集检索器的情况下更好地整合检索内容中的证据，来提高语义搜索的准确性，尤其是在处理歧义查询时。实验表明，DIFF在检索性能上优于现有方法。
-
PLAID-PRF 使用质心感知伪相关反馈增强密集检索
研究人员推出了一种用于增强 ColBERT 等多向量密集检索模型的新方法 PLAID-PRF。该技术利用 PLAID 框架内的质心类令牌来执行伪相关反馈 (PRF)，根据检索到的顶部结果有效地重构查询向量。PLAID-PRF 利用内部 PLAID 质心向量，保持了较低的计算成本，在 MS MARCO 和 BEIR 等各种基准测试中显示出检索效率的显著提高。
-
新框架使用LLM和用户反馈审计信息检索中的PRF
一篇新的研究论文提出了一个两阶段框架来解决信息检索中伪相关反馈（PRF）的不透明性。该框架首先涉及108名用户的参与式审计，结果显示PRF仅使约20.9%的查询受益，而对25.6%的查询产生负面影响。第二阶段利用基于LLM的重排器自动预测用户派生的标签，从而能够对PRF决策进行可扩展的检查。这种方法旨在将PRF从一个不透明的组件转变为一个可审计的、以用户为基础的系统。