EviQE：基于 LLM 的查询扩展的证据选择

基于 LLM 的查询扩展越来越多地限制从目标语料库检索到的文档的重新表述，但大多数工作都集中在如何生成扩展而不是模型应该读取哪些文档。我们提出 EviQE，它聚合多个重构者检索的文档，选择一个紧凑的证据集，并将其用于一个扎根的扩展步骤。这将证据选择与生成分开，并将重构者视为补充的检索视角。在三个 TREC DL 和五个 BEIR 基准中，重组者经常检索不同的相关文档，因此合并的候选者提供比任何单独来源更高的相关文档覆盖率。最大的收益来自基于相关性的证据选择：LLM-Score 的表现始终优于直接重新制定、冷启动扩展和单一来源种子扩展。一旦选择了强有力的调节证据，额外的检索生成轮次几乎没有什么好处，并且可能会降低有效性。