ADORE：具有基于检索的相关性反馈的迭代查询扩展

基于 LLM 的查询扩展通过使用附加上下文丰富原始查询来改进检索。然而，大多数方法仍然是生成驱动的，生成看似合理的伪文档或扩展，而不检查目标语料库如何响应。这可能会引入检索漂移、放大误导性词汇或错过区分相关文档和不相关文档的术语。我们认为，有效的扩展需要基于检索的反馈，而不仅仅是单遍生成或未经验证的迭代。我们引入了 ADORE（适应、观察、相关性评估），这是一个迭代框架，可将检索结果转化为下一次扩展的反馈。在每一轮中，LLM 生成伪段落，检索器 公开语料库响应，并且相关性评估器根据原始查询评估检索到的文档。这些判断确定了哪些内容需要加强，哪些内容需要隐藏，哪些内容需要压制。在 TREC 深度学习、BEIR 和 BRIGHT 中，ADORE 始终优于强大的查询扩展基线，几乎在所有评估设置上都有显着改进，平均 nDCG@10 比 BM25 提高了 24.5%，比 BEIR 上最强的先验查询扩展方法提高了 3.6%，比 BM25 提高了 122.9%，比 BRIGHT 上的最佳查询扩展基线提高了 9.2%。我们的代码和数据是公开的。