通过大语言模型生成查询推荐
信息检索
2024-06-05 v2
摘要
查询推荐系统在现代搜索引擎中无处不在，帮助用户生成有效查询以满足其信息需求。然而，这些系统需要大量数据才能产生良好的推荐，例如大量文档索引和查询日志。特别是在冷启动场景中，查询日志和用户数据不可用。查询日志的收集和维护成本高昂，并且需要复杂且耗时的级联管道来创建、组合和排序推荐。为了解决这些问题，我们将查询推荐问题构建为生成任务，提出了一种称为生成式查询推荐（GQR）的新方法。GQR以LLM为基础，无需训练或微调即可处理查询推荐问题。我们设计了一个提示，使LLM能够理解特定的推荐任务，即使只使用一个示例。然后，我们通过提出一个利用查询日志的版本——检索增强GQR（RA-GQR）来改进我们的系统。RA-GQR通过从查询日志中检索相似查询来动态组合其提示。GQR方法重用预先存在的神经架构，从而产生更简单且更易于市场化的方法，即使在冷启动场景中也是如此。我们提出的GQR在NDCG@10和清晰度得分方面，针对两个商业搜索引擎和之前的最先进方法，在Robust04和ClueWeb09B集合上取得了最先进的性能，与之前的最佳竞争者相比，在Robust04和ClueWeb09B上平均NDCG@10性能提高了约4%。RA-GQR进一步提高了NDCG@10，与最佳竞争者相比，在Robust04和ClueWeb09B上分别提高了约11%和约6%。此外，在盲用户研究中，我们的系统获得了约59%的用户偏好，证明我们的方法产生了最吸引人的查询。
引用
@article{arxiv.2405.19749,
title = {Generating Query Recommendations via LLMs},
author = {Andrea Bacciu and Enrico Palumbo and Andreas Damianou and Nicola Tonellotto and Fabrizio Silvestri},
journal= {arXiv preprint arXiv:2405.19749},
year = {2024}
}
备注
Generating Query Recommendations via LLMs