CompCQR：用于免训练会话搜索的组合查询生成

在信息检索场景中，与大语言模型的多轮互动变得越来越普遍。然而，用户查询通常是不明确的并且依赖于上下文，这使得它们不适合直接用作检索器查询。会话查询重构 (CQR) 通过将当前话语重写为基于对话历史的独立查询来解决此问题。最近基于 LLM 的 CQR 方法取得了强劲的表现；然而，他们重复的大语言模型调用以及与下游检索器的不一致仍然是挑战。在这项工作中，我们从观察到检索器对内容排序高度敏感开始：简单地重新排序相同的内容可能会导致检索覆盖率和性能的变化。基于此，我们提出了一种新颖的免训练方法，通过组合一小组原子组件，以最少的 LLM 使用量生成大量查询。我们进一步应用 LLM 推理来构建高质量的文档集，在捕获用户核心意图的同时平衡精确度和召回率。我们的框架泛化于开源和闭源大语言模型以及密集和稀疏检索器。它在四个广泛使用的对话基准上取得了强劲的性能，与之前最先进的基准相比，相对 MRR 提高了 22.5%，且 LLM 调用次数少得多。