arXiv cs.CL· Sourav Saha, Aditya Dutta, Soumajit Pramanik, Mandar Mitra·· 10 天前AI 评分22
如何解释信息检索中的查询扩展性能
Towards Explaining Query Expansion Performance in Information Retrieval
AI 导读
研究从理想扩展查询（IEQ）与可分性两个角度解释查询扩展（QE）性能差异，并提出可分性度量及近似 IEQ 的实用公式。在 TREC Robust、TREC DL 2019-2022 passage 及 TREC DL 2019-2020 document 集合上的实验显示，扩展查询越接近理想扩展查询，检索效果越好，相关与非相关文档的可分性则提供了互补解释视角。
正文 · AI 翻译
摘要：查询扩展（QE）技术长期以来被广泛用于信息检索（IR）中，以解决词汇不匹配问题。在现代检索系统中，包括基于大语言模型（LLM）的检索系统，它们仍然具有相关性。然而，没有任何一种 QE 方法能在所有查询上始终优于其他方法。本工作试图从两个互补的视角来解释 QE 性能的差异。第一个是理想扩展查询（IEQ）的概念——一种在下游 BM25 检索模型下使检索效果最大化的假设查询。第二个是可分离性视角，它使用 Cohen's (d) 量化给定扩展查询下相关文档与非相关文档的评分区分程度。我们开发了一种可分离性度量以及实用公式来近似 IEQ，并研究这些因素与检索效果之间的关系。在 TREC Robust 集合、TREC DL 2019-2022 passage 集合和 TREC DL 2019-2020 document 集合上进行的大量实验揭示了若干有趣的模式。特别是，我们发现越接近理想扩展查询的扩展查询往往能获得更高的检索效果。我们进一步表明，相关文档与非相关文档的可分离性为理解 QE 性能提供了一个互补的视角。
| 主题： | 信息检索（cs.IR）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.09724 [cs.IR] |
| （或 arXiv:2610.09724v1 [cs.IR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.09724 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Sourav Saha [查看电子邮件]
[v1]
2026年10月7日星期三 09:21:17 UTC（1,190 KB）
来源：arXiv cs.CL · arxiv.org