面向搜索结果解释的反事实编辑

搜索结果解释（SeRE）旨在通过帮助用户理解文档的相关性来提升搜索会话的效果与效率。现有工作大多聚焦于事实性解释，即寻找/生成关于文档与搜索查询相关性的支撑证据。然而，认知科学的研究表明，人类的解释是对比性的，即人们会使用某些反事实事件来解释观察到的事件；此类解释能够降低认知负荷并提供可操作的洞见。尽管反事实解释在机器学习和自然语言处理（NLP）领域已被证明有效，但在网络搜索场景下，仍缺乏对反事实解释应如何定义与结构的严格表述。本文中，我们首先讨论了 IR（信息检索）背景下反事实解释的可能表述。接着，我们为 SeRE 任务中的反事实解释及相应的自动评价指标提出了一套期望性质（desiderata）。基于该期望性质，我们提出了一种名为反事实编辑用于搜索结果解释（CFE2）的方法。CFE2 为搜索引擎结果页面内的文档对提供成对的反事实解释。我们在五个公开搜索数据集上的实验表明，CFE2 在自动指标和人工评估上均显著优于基线方法。