Q-TIE：一种轻量级且可泛化的时态信息检索重排序框架

随着检索增强一代 (RAG) 的兴起，时态信息检索 (TIR) 变得越来越重要。由于时间上不匹配的证据可能会产生高度误导，因此 TIR 旨在检索在语义和时间上与查询相关的文档。已经出现了两种 TIR 范例 - 时间检索器和时间重新排序器 - 不同之处在于时间相关性的建模方式。虽然这些范例提供了互补的优势，但我们的分析表明，每种范例都缺乏强大的 TIR：时间检索器通过学习的表示提供灵活的查询理解，但通常无法明确考虑时间约束；时间重新排序器可以更明确地强制执行此类约束，但通常依赖于预定义的重新排序规则。为了解决这个问题，我们提出了 Q-TIE，一种基于学习时间意图提取（TIE）的重新排序框架。通过引入将每个查询的时间约束映射为统一区间表示的 TIE 模型（即 $\langle t_{start}, t_{end} \rangle$），Q-TIE 通过基于模型的学习泛化到预定义规则之外，同时将时间约束显式建模为单独的信号 - 共同实现每个范式通常权衡的目标。实验表明，Q-TIE 始终优于现有的 TIR 方法，具有更强的跨时间查询类型的通用性，并为时间感知的 RAG 管道提供了轻量级但有效的附加组件。代码：此 https URL。