打造路径：信息检索的强大查询重写
内容提要
本文介绍了一种基于大型语言模型（LLM）的查询重写方法，提出了Rewrite-Retrieve-Read框架，通过强化学习优化策略模型，并在多个数据集上验证了其有效性。AdaQR框架展示了在有限注释下的查询重写能力，结合知识图谱和推理路径优化了LLM的使用，最终提升了QA任务的性能。
延伸解读
查询重写技术的演进脉络
文章梳理了查询重写从2020年到2024年的发展：早期方法如基于词频的重构和序列到序列模型生成自然查询，并融合输出提升检索效果；随后引入LLM作为重写器，定义关键属性并提炼重写能力；进而发展出Rewrite-Retrieve-Read框架，通过强化学习优化策略模型。这一脉络显示查询重写正从规则驱动转向模型驱动，并越来越注重与下游任务的联合优化。
AdaQR：低资源场景下的重写优化
AdaQR框架针对重写注释有限的问题，仅使用约10%的重写注释微调精简LLM，生成重写候选后通过检索器权重评估，并利用直接偏好优化（DPO）进一步优化。实验表明，该方法不仅增强了领域内重写器功能，还能有效适应领域外数据集。这为标注数据稀缺的实际应用提供了可行路径，降低了训练查询重写模型的门槛。
减少LLM依赖的混合推理路径
文章提到一种结合知识图谱与推理路径的方法：在知识图谱上选择推理路径，结合思维链和PageRank进行子图检索，整合优化基于LLM的管道。RoK证明使用较少的LLM调用可以达到相同结果。这表明，通过结构化知识引导，可以在保持性能的同时降低对LLM的调用成本，为资源受限场景提供了优化思路。
面向复杂QA的查询重写实践
针对ARCChallenge数据集的超越式难题，文章提出利用查询重写、背景知识和文本属性构建系统，成功提升了端到端QA性能并超越多个强基线。这显示查询重写不仅能改善检索，还能通过引入外部知识增强复杂推理任务的表现。对于需要深度理解的QA场景，结合重写与知识注入是值得关注的方向。
Q&A
什么是Rewrite-Retrieve-Read框架？
Rewrite-Retrieve-Read框架是一种改进检索增强方法的结构，通过查询重写优化策略模型，并在开放域QA等任务中验证其有效性。
AdaQR框架如何提高查询重写的能力？
AdaQR框架通过有限重写注释训练查询重写模型，增强了领域内重写器的功能，并有效适应领域外数据集。
如何通过上下文感知查询重写提高检索性能？
上下文感知查询重写利用大语言模型进行查询理解并微调排序器，显著提升了查询重写对排名任务的性能。
文章中提到的查询重写的关键属性有哪些？
文章定义了四个重写的关键属性，具体内容未详细列出，但强调了大型语言模型在查询重写中的重要性。
如何利用知识图谱优化大型语言模型的使用？
通过选择推理路径并结合思维链和PageRank的子图检索方法，可以减少对大型语言模型的依赖，达到相同的结果。
在ARCChallenge数据集中，查询重写如何提高QA任务性能？
针对ARCChallenge数据集的超越式难题，利用查询重写和背景知识成功提高了端到端QA任务的性能，超越了多个强基线。
