基于大语言模型的生成式相关反馈
信息检索
2023-04-27 v1
摘要
当前的查询扩展模型使用伪相关反馈来提高首次检索效果；然而，当初始结果不相关时，这种方法会失效。我们提出生成式相关反馈（GRF），不从检索结果构建语言模型，而是从大语言模型生成的长文本中构建概率反馈模型。我们研究了通过变化零样本生成子任务来生成文本的有效方法：查询、实体、事实、新闻文章、文档和论文。我们在涵盖多样化查询和文档集合的文档检索基准上评估 GRF，结果表明 GRF 方法显著优于以往的 PRF 方法。具体而言，与 RM3 扩展相比，我们将 MAP 提高了 5-19%，NDCG@10 提高了 17-24%，并且与最先进的稀疏、稠密和扩展模型相比，在所有数据集上取得了最佳的 R@1k 效果。
引用
@article{arxiv.2304.13157,
title = {Generative Relevance Feedback with Large Language Models},
author = {Iain Mackie and Shubham Chatterjee and Jeffrey Dalton},
journal= {arXiv preprint arXiv:2304.13157},
year = {2023}
}
备注
SIGIR 2023 Preprint, 6 pages