GRM：基于相关性感知样本估计的文档检索生成式相关性建模
信息检索
2023-06-19 v1
摘要
近期研究表明，使用大语言模型（LLM）生成的文本进行的生成式相关性反馈（GRF）可提升查询扩展的有效性。然而，LLM 可能生成损害检索有效性的无关信息。为此，我们提出生成式相关性建模（GRM），其使用相关性感知样本估计（RASE）对扩展词项进行更精确的加权。具体而言，我们为每个生成文档识别相似真实文档，并使用神经重排序器估计其相关性。在三个标准文档排序基准上的实验表明，GRM 将 MAP 提升 6-9%、R@1k 提升 2-4%，超越了先前方法。
引用
@article{arxiv.2306.09938,
title = {GRM: Generative Relevance Modeling Using Relevance-Aware Sample Estimation for Document Retrieval},
author = {Iain Mackie and Ivan Sekulic and Shubham Chatterjee and Jeffrey Dalton and Fabio Crestani},
journal= {arXiv preprint arXiv:2306.09938},
year = {2023}
}