再现推理密集型 IR 的自适应重排序

由于第一阶段 检索器 的限制，经典的检索重排序级联管道存在有限召回问题。当前大多数方法通过改进第一阶段 检索器 来解决有界召回问题，但这会产生大量的训练和推理成本，特别是处理需要大量推理的查询。为了规避基于推理的 检索器 的计算成本，我们在 BRIGHT 推理密集型检索基准上复制了 GAR（基于图的自适应重排序）的结果。 GAR 通过对语料库图的迭代探索来修改重新排序过程本身，从而解决了有界召回问题，但它之前仅在为主题和问答式查询设计的模型上进行了测试。因此，使用推理和非推理重排序模型在推理密集型设置中重现 GAR。我们观察到，重排序器信号的质量在识别语料库图中其他相关文档方面起着重要作用。总的来说，我们发现 GAR 提高了跨各种模型的推理密集型检索的有效性，同时对计算开销的贡献最小。最终，这项工作使得能够更实际地部署能够解决推理密集型查询的检索系统。