面向复杂信息搜寻的整体引导蒙特卡洛树搜索
信息检索
2025-02-10 v1 计算与语言
摘要
在海量数字信息时代，可用信息的庞大数量和高度异质性给复杂信息搜寻带来了显著挑战。用户经常面临多步骤的网络搜索任务，需要浏览海量且多样的数据源。这种复杂性要求每一步都保持全面、准确和相关。然而，传统的搜索方法往往难以在局部精确性的需求与整体理解所需的更广泛语境之间取得平衡，导致复杂查询的关键方面未被充分探索。本文介绍了一种基于大语言模型（LLM）的搜索助手，该助手采用了一种新的信息搜寻范式，即整体引导的蒙特卡洛树搜索（HG-MCTS）。我们将任务重新构建为一个带有知识记忆的渐进式信息收集过程，并在MCTS中结合了自适应清单与多视角奖励建模。自适应清单提供了明确的子目标，以引导MCTS过程全面覆盖复杂的用户查询。同时，我们的多视角奖励建模提供了探索奖励和检索奖励，以及跟踪已完成和剩余子目标的进度反馈，随着树搜索的进行不断优化清单。通过在局部树扩展和全局引导之间取得平衡，HG-MCTS减少了搜索路径中的冗余，并确保复杂查询的所有关键方面都得到妥善处理。在真实世界复杂信息搜寻任务上的大量实验表明，与现有基线方法相比，HG-MCTS能够获取全面的知识集合，并提供更准确的最终回答。
引用
@article{arxiv.2502.04751,
title = {Holistically Guided Monte Carlo Tree Search for Intricate Information Seeking},
author = {Ruiyang Ren and Yuhao Wang and Junyi Li and Jinhao Jiang and Wayne Xin Zhao and Wenjie Wang and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2502.04751},
year = {2025}
}