利用翻译优化召回率：通过用户配置个性化 LLM
内容提要
该文综述大语言模型在信息检索中的研究，涵盖离线总结与运行时检索结合的个性化方法、无监督查询翻译、跨语种检索增强上下文学习、多语言神经模型提升跨语言检索、低资源跨语言文档重排、基于交互历史的个性化查询建议、机器翻译质量对检索的影响，以及个性化调整提升主观任务性能。
延伸解读
个性化检索的实时化路径
文章提出一种基于总结的方法，将离线总结与运行时检索结合，以扩展基于检索的个性化。这种方法旨在满足实时系统性能的实际约束，同时提升个性化效果。对于需要快速响应的搜索或推荐场景，这种思路提供了一种平衡离线处理与在线效率的参考。
跨语言检索的模型选择与效率
研究比较了神经网络翻译与预训练多语言神经语言模型对多语言信息检索的影响。结果显示，使用XLM-R以母语索引，能在索引时间大幅缩短的情况下，达到与神经翻译结合的最佳效果。这提示在跨语言检索中，多语言模型可能提供更高效的替代方案。
低资源语言检索的改进策略
针对低资源跨语言文档检索，文章提出使用深度双语查询-文档表示，并引入查询似然得分等额外特征，以少量相关性标签学习重排序模型。在MATERIAL数据集上，该方法优于基于翻译的基线，覆盖英语-斯瓦希里语、英语-塔加洛语和英语-索马里语等语言对。
个性化对主观任务的价值
文章探讨了个性化调整与零样本推理在主观任务上的应用。结果表明，与非个性化模型相比，个性化调整能提升模型推理能力，并在情感识别和仇恨言论检测等数据集上，于不同大语言模型架构中实现一致性性能提升。这凸显了个性化对增强主观文本感知任务的重要性。
Q&A
如何利用离线总结和运行时检索来提升个性化系统的实时性能？
通过使用离线总结和运行时检索，提出了一种基于总结的方法，扩展了基于检索的个性化，从而在实时系统中实现更好的性能，并在实际约束下取得更好的个性化效果。
无监督领域适应方法如何改进查询翻译？
该方法使用基于公共语料库训练的开放领域翻译模型，并用两种语言的单语查询来调整模型以适应查询数据，最终改进了Hindi到英文查询翻译的性能。
跨语种检索增强的上下文学习（CREA-ICL）如何提升多语言模型的零样本性能？
CREA-ICL方法从高资源语言中提取语义相似的提示，以改善多语言预训练语言模型（MPLMs）在各种任务中的零样本性能，并研究了大型语言模型在低资源语言中上下文学习性能的限制和挑战。
使用预训练多语言神经语言模型能否提升多语言信息检索？
研究表明，使用预训练的XLM-R多语言语言模型以其母语进行索引，可以在索引时间大大缩短的情况下取得与神经翻译相结合的最佳效果。
如何利用交互历史来个性化查询建议？
通过结合用户与搜索引擎的交互历史相关的上下文，提出了一种新颖且通用的方法，用于个性化输出，以理解用户当前的搜索背景以及他们历史上知道和关心的内容。该方法在上下文查询建议任务上优于其他LLM基准方法，生成了更相关、个性化和有用的查询建议。
机器翻译质量对检索结果有什么影响？
研究了不同水平的机器翻译质量对检索结果的影响；通过比较多种语言对的查询翻译，提出了投资和改进最有前途的语言对的策略。
个性化调整如何提升大语言模型在主观任务上的性能？
个性化调整和零-shot推理方法在主观任务上的应用表明，与非个性化模型相比，个性化调整能够提高模型的推理能力，并在不同的大语言模型架构上实现了对情感识别和仇恨言论检测等数据集的一致性性能提升。
