信息检索中的相关性反馈

用户在信息检索中难以准确表达需求，但能判断答案的相关性。

相关性反馈机制有助于优化检索结果，尽管相关性反馈研究已久，但在神经搜索中的应用仍有限。

改进查询和相似度评分的策略是关键。

伪相关性反馈（PRF）通过将初始检索结果中的高排名文档视为相关，能显著提升检索性能。

二元相关性反馈直接询问用户文档是否相关，但用户反馈意愿低，且初始结果可能没有相关文档。

重新评分的相关性反馈利用机器学习模型为每个文档提供相关性评分，但成本和准确性是主要问题。

相关性反馈的研究已有六十年历史，但神经搜索的相关性反馈技术仍在早期阶段。

查询的改进可以通过修改文本或查询的向量表示来实现。

基于相关性反馈的查询扩展方法在传统检索中有效，但在神经检索中尚未普遍应用。

Rocchio方法通过更新查询向量来改进检索效果，适用于现代密集检索系统。

基于梯度下降的方法如TOUR和ReFit提供了生产友好的查询优化方案，但对反馈文档的需求较高。

相似度评分的调整可以直接融入相似度评分函数中，以保持原始查询意图。

伪相关性反馈在传统检索系统中有效，但在神经搜索解决方案中缺乏行业采用的类似方法。

相关性反馈方法未能进入神经搜索系统的原因可能是缺乏时间和资源进行平衡成本与效率的实验。

有效的解决方案应简单且实用，直接集成到检索系统中，而不需要复杂的参数调整。