IRLab@iKAT24：基于多维度LLM查询生成的学习稀疏检索用于对话式搜索
信息检索
2024-11-25 v1 计算与语言
摘要
交互式知识助手赛道（iKAT）2024聚焦于发展能够从个人化用户知识中适应其交互方式和响应的对话式助手。该赛道结合了个人文本知识库（PTKB）以及对话式AI任务，如篇章排序和响应生成。查询重写是解决对话上下文的有效方法，我们探索使用大型语言模型（LLM）作为查询重写器。具体而言，我们提交的运行方案采用MQ4CS框架实现多维度查询生成，并进一步通过SPLADE架构实现学习稀疏检索，结合鲁棒的cross-encoder模型。我们还提出了一种替代性方案，取代之前的交错策略，在排序阶段聚合多个维度。我们的发现表明，多维度查询生成在与先进检索和排序模型集成时，能够有效提升性能。我们的研究结果也为基于LLM在查询重写中集成个人化，从而实现对话式搜索中的更好个人化，并超越了人类查询重写的性能。
引用
@article{arxiv.2411.14739,
title = {IRLab@iKAT24: Learned Sparse Retrieval with Multi-aspect LLM Query Generation for Conversational Search},
author = {Simon Lupart and Zahra Abbasiantaeb and Mohammad Aliannejadi},
journal= {arXiv preprint arXiv:2411.14739},
year = {2024}
}