DualView：面向多跳文档重排序的自适应局部-全局融合
信息检索
2026-05-20 v1 人工智能
摘要
多跳问答需要聚合来自多个文档的信息，这是知识密集型应用的一项关键能力。一个根本挑战在于如何在保持高召回率的同时，从检索到的候选文档中高效识别出最小相关文档集。我们提出了一种用于多跳文档重排序的高效双视图级联重排序框架。作为E5-base-v2候选文档上的轻量级检索后阶段，我们的架构包括：（1）局部评分器，采用堆叠交叉注意力进行细粒度的查询-文档相关性计算；（2）全局评分器，通过基于Transformer的上下文聚合来建模文档间的依赖关系。这两个视图通过以查询语义为条件的自适应门进行动态融合。在具有离线缓存嵌入的固定候选集重排序设置下，我们的模型取得了具有竞争力的结果，特别是在MuSiQue上表现突出，在4.0 ms延迟（249 QPS）下实现了99.4%的Top-4召回率和97.8%的完全命中准确率。它大幅优于600M参数的交叉编码器（BGE-Large：92.0%召回率，Jina-v3：90.1%召回率），同时保持延迟降低5到6倍。消融研究验证了局部和全局视图都对多跳性能有显著贡献。
引用
@article{arxiv.2605.18767,
title = {DualView: Adaptive Local-Global Fusion for Multi-Hop Document Reranking},
author = {Litong Zhang and Jiaxin Li and Kuo Zhao},
journal= {arXiv preprint arXiv:2605.18767},
year = {2026}
}