論文の概要: ReFormeR: Learning and Applying Explicit Query Reformulation Patterns

• arxiv url: http://arxiv.org/abs/2604.01417v1
• Date: Wed, 01 Apr 2026 21:34:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.069366
• Title: ReFormeR: Learning and Applying Explicit Query Reformulation Patterns
• Title（参考訳）: ReFormeR: 明示的なクエリ再構成パターンの学習と適用
• Authors: Amin Bigdeli, Mert Incesu, Negar Arabzadeh, Charles L. A. Clarke, Ebrahim Bagheri,
• Abstract要約: ReFormeRは、クエリのリフォームのためのパターン誘導型アプローチである。 初期クエリのペアから短いリフォームパターンを抽出する。 それらを変換可能な変換パターンのコンパクトなライブラリに統合する。
• 参考スコア（独自算出の注目度）: 20.303421262899214
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present ReFormeR, a pattern-guided approach for query reformulation. Instead of prompting a language model to generate reformulations of a query directly, ReFormeR first elicits short reformulation patterns from pairs of initial queries and empirically stronger reformulations, consolidates them into a compact library of transferable reformulation patterns, and then selects an appropriate reformulation pattern for a new query given its retrieval context. The selected pattern constrains query reformulation to controlled operations such as sense disambiguation, vocabulary grounding, or discriminative facet addition, to name a few. As such, our proposed approach makes the reformulation policy explicit through these reformulation patterns, guiding the LLM towards targeted and effective query reformulations. Our extensive experiments on TREC DL 2019, DL 2020, and DL Hard show consistent improvements over classical feedback methods and recent LLM-based query reformulation and expansion approaches.
• Abstract（参考訳）: 本稿では、クエリ再構成のためのパターン誘導型アプローチであるReFormeRを提案する。 ReFormeRは、クエリの変換を直接生成するように言語モデルに促す代わりに、最初は、一連の初期クエリと経験的に強力な改定パターンから短い改定パターンを導き、それらを変換可能な改定パターンのコンパクトなライブラリに統合し、その検索コンテキストから新しいクエリの適切な改定パターンを選択する。 選択されたパターンは、例えば、感覚の曖昧さ、語彙の接頭、差別的な顔の付加など、制御された操作に対するクエリの再構成を制約する。 そのため,本提案手法は,これらの改定パターンを通した改定政策を明確化し,LLMをターゲット的かつ効果的なクエリ改定に向けて導くものである。 TREC DL 2019, DL 2020, DL Hardに関する広範な実験では, 古典的なフィードバック手法と最近のLCMに基づくクエリリフォームと拡張アプローチに対して一貫した改善が見られた。

関連論文リスト

• DiffuRank: Effective Document Reranking with Diffusion Language Models [71.16830004674513]
  拡散言語モデル(dLLM)に基づいて構築されたフレームワークであるDiffuRankを提案する。 dLLMは、左から右への順序に制約されないより柔軟なデコーディングと生成プロセスをサポートする。 モデルサイズが類似した自己回帰LDMに匹敵する性能を示す。
  論文  参考訳（メタデータ） (2026-02-13T02:18:14Z)
• KBQA-R1: Reinforcing Large Language Models for Knowledge Base Question Answering [64.62317305868264]
  テキスト模倣から強化学習によるインタラクション最適化へパラダイムをシフトするフレームワークである textbfKBQA-R1 を提案する。 KBQAを多ターン決定プロセスとして扱うことで,行動のリストを用いて知識ベースをナビゲートすることを学ぶ。 WebQSP、GrailQA、GraphQuestionsの実験では、KBQA-R1が最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-10T17:45:42Z)
• Revisiting Feedback Models for HyDE [49.53124785319461]
  HyDE は LLM 生成した仮説的回答文書でクエリ表現を豊かにする手法である。 実験の結果,Rocchioなどのフィードバックアルゴリズムを利用して抽出と重み拡張を行う場合,HyDEの有効性は著しく向上することがわかった。
  論文  参考訳（メタデータ） (2025-11-24T17:50:18Z)
• Generalized Pseudo-Relevance Feedback [29.669164314207947]
  textit Generalized Pseudo Relevance Feedback (GPRF) GPRFは、検索した文書に基づいて、モデルフリーで自然言語の書き直しを行う。 複数のベンチマークとレトリバーによる実験は、GPRFが強いベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-10-29T13:08:35Z)
• Rethinking On-policy Optimization for Query Augmentation [49.87723664806526]
  本稿では,様々なベンチマークにおいて,プロンプトベースとRLベースのクエリ拡張の最初の体系的比較を示す。 そこで我々は,検索性能を最大化する擬似文書の生成を学習する,新しいハイブリッド手法 On-policy Pseudo-document Query Expansion (OPQE) を提案する。
  論文  参考訳（メタデータ） (2025-10-20T04:16:28Z)
• AdaRewriter: Unleashing the Power of Prompting-based Conversational Query Reformulation via Test-Time Adaptation [29.8561969052023]
  AdaRewriterは、テスト時間適応による結果管理報酬モデルを用いたクエリ再構成のための新しいフレームワークである。 AdaRewriterは、ほとんどの設定で既存のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-06-02T07:18:26Z)
• GenCRF: Generative Clustering and Reformulation Framework for Enhanced Intent-Driven Information Retrieval [20.807374287510623]
  我々は,多種多様な意図を適応的に捉えるための生成クラスタリング・改革フレームワークGenCRFを提案する。 我々はGenCRFが,nDCG@10で従来のクエリ修正SOTAを最大12%上回り,最先端のパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2024-09-17T05:59:32Z)
• Generative Query Reformulation Using Ensemble Prompting, Document Fusion, and Relevance Feedback [8.661419320202787]
  GenQREnsembleとGenQRFusionはゼロショット命令のパラフレーズを利用して複数のキーワードセットを生成し、検索性能を向上させる。 検索前設定ではnDCG@10で最大18%,検索後設定では9%の精度で検索効率を向上できることを示す。
  論文  参考訳（メタデータ） (2024-05-27T21:03:26Z)
• RaFe: Ranking Feedback Improves Query Rewriting for RAG [83.24385658573198]
  アノテーションを使わずにクエリ書き換えモデルをトレーニングするためのフレームワークを提案する。 公開されているリランカを活用することで、フィードバックはリライトの目的とよく一致します。
  論文  参考訳（メタデータ） (2024-05-23T11:00:19Z)
• LoL: A Comparative Regularization Loss over Query Reformulation Losses for Pseudo-Relevance Feedback [70.44530794897861]
  Pseudo-Relevance feedback (PRF) は、検索精度を向上させるための効果的なクエリ修正手法であることが証明されている。 既存のPRF手法は、同じクエリから派生した修正クエリを個別に扱うが、異なる数のフィードバックドキュメントを使用する。 そこで我々はLos-over-Loss(LoL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-25T10:42:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。