ReFormeR：学习和应用显式查询重构模式

我们提出了 ReFormeR，一种用于重新制定查询的模式引导方法。 ReFormeR 不是提示语言模型直接生成查询的重新表述，而是首先从成对的初始查询和经验上更强的重新表述中引出简短的重新表述模式，将它们合并到一个紧凑的可转移重新表述模式库中，然后根据其检索上下文为新查询选择适当的重新表述模式。所选模式将查询重构限制为受控操作，例如意义消歧、词汇基础或判别性方面添加等。因此，我们提出的方法通过这些重新制定模式使重新制定政策变得明确，从而指导 LLM 进行有针对性和有效的查询重新制定。我们对 TREC DL 2019、DL 2020 和 DL Hard 进行的广泛实验表明，相对于经典反馈方法和最近基于 LLM 的查询重构和扩展方法，取得了一致的改进。