QUARK：基于查询锚定聚合的非忠实查询下鲁棒检索

现实检索场景中，用户查询往往是非忠实的（噪声、不完整或扭曲），导致检索系统在关键语义缺失时失效。我们将此问题形式化为检索噪声下的检索问题，即观察到的查询从潜在目标项的噪声召回过程中抽取。为此，我们提出了QUARK——一个简单且有效的、无需训练的非忠实查询下鲁棒检索框架。QUARK通过恢复假设（即对给定观察查询的多个合理潜在意图解释）显式建模查询不确定性，引入查询锚定聚合机制稳健地组合这些假设的信号。原始查询作为语义锚点，恢复假设提供受控的辅助证据，防止语义漂移和假设劫持。该设计使QUARK能在不牺牲鲁棒性的前提下提升召回率和排序质量，即使某些假设本身噪声或信息不足。实验在受控模拟及BEIR基准（FIQA、SciFact、NFCorpus）上的稀疏与稠密检索器上均显示，QUARK在召回率、MRR和nDCG上均优于基础检索器。消融实验表明，QUARK对恢复假设的数量鲁棒性强，锚定聚合优于未锚定的最大值/均值/中位数池化。这些结果表明，通过恢复假设建模查询不确定性，结合原则性的锚定聚合，对非忠实查询下的鲁棒检索至关重要。