論文の概要: Beyond Relevance: Utility-Centric Retrieval in the LLM Era

• arxiv url: http://arxiv.org/abs/2604.08920v1
• Date: Fri, 10 Apr 2026 03:30:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.666657
• Title: Beyond Relevance: Utility-Centric Retrieval in the LLM Era
• Title（参考訳）: 関連性を超えて: LLM時代のユーティリティ中心の検索
• Authors: Hengran Zhang, Minghao Tang, Keping Bi, Jiafeng Guo,
• Abstract要約: このチュートリアルでは、検索の目的が、関連性中心の最適化からLLM中心のユーティリティへと進化しつつあると論じている。 本稿では, LLM に依存しない対 LLM 固有のユーティリティ, 文脈に依存しない対 文脈依存のユーティリティ, および LLM 情報要求とエージェントRAG との接続を包含する統合フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 39.61318477806751
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Information retrieval systems have traditionally optimized for topical relevance-the degree to which retrieved documents match a query. However, relevance only approximates a deeper goal: utility, namely, whether retrieved information helps accomplish a user's underlying task. The emergence of retrieval-augmented generation (RAG) fundamentally changes this paradigm. Retrieved documents are no longer consumed directly by users but instead serve as evidence for large language models (LLMs) that produce answers. As a result, retrieval effectiveness must be evaluated by its contribution to generation quality rather than by relevance-based ranking metrics alone. This tutorial argues that retrieval objectives are evolving from relevance-centric optimization toward LLM-centric utility. We present a unified framework covering LLM-agnostic versus LLM-specific utility, context-independent versus context-dependent utility, and the connection with LLM information needs and agentic RAG. By synthesizing recent advances, the tutorial provides conceptual foundations and practical guidance for designing retrieval systems aligned with the requirements of LLM-based information access.
• Abstract（参考訳）: 情報検索システムは伝統的に、検索した文書がクエリにマッチする程度にトピックの関連性に最適化されてきた。 しかし、関連性は、より深い目標、すなわち、検索された情報がユーザの基本的なタスクを達成するのに役立つかどうかを近似するだけである。 検索強化世代(RAG)の出現は、このパラダイムを根本的に変える。 検索された文書は、もはやユーザーによって直接消費されるのではなく、答えを生み出す大きな言語モデル(LLM)の証拠として機能する。 その結果、検索の有効性は、関連性に基づくランキングの指標だけで評価されるのではなく、生成品質への貢献によって評価されなければならない。 このチュートリアルでは、検索の目的が、関連性中心の最適化からLLM中心のユーティリティへと進化しつつあると論じている。 本稿では, LLM に依存しない対 LLM 固有のユーティリティ, 文脈に依存しない対 文脈依存のユーティリティ, および LLM 情報要求とエージェントRAG との接続を包含する統合フレームワークを提案する。 近年の進歩をシンセサイズすることで、LLM情報アクセスの要件に適合した検索システムを設計するための概念的基礎と実践的なガイダンスを提供する。

関連論文リスト

• 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)
• Iterative Self-Incentivization Empowers Large Language Models as Agentic Searchers [74.17516978246152]
  大規模言語モデル(LLM)は、従来の手法を進化させるために情報検索に広く統合されている。 エージェント検索フレームワークであるEXSEARCHを提案する。 4つの知識集約ベンチマークの実験では、EXSEARCHはベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-05-26T15:27:55Z)
• LLM-Driven Usefulness Judgment for Web Search Evaluation [12.10711284043516]
  情報検索(IR)における検索体験の最適化と多種多様なユーザ意図支援の基礎的評価 従来の検索評価手法は主に関連ラベルに依存しており、検索された文書がユーザのクエリとどのようにマッチするかを評価する。 本稿では,文書の有用性を評価するために,暗黙的かつ明示的なユーザ行動信号の両方を組み込んだLCM生成実用性ラベルを提案する。
  論文  参考訳（メタデータ） (2025-04-19T20:38:09Z)
• Adapting LLMs for Efficient, Personalized Information Retrieval: Methods and Implications [0.7832189413179361]
  LLM(Large Language Models)は、人間に似たテキストの理解と生成に優れた言語モデルである。 本稿では,言語モデル(LLM)と情報検索(IR)システムの統合戦略について検討する。
  論文  参考訳（メタデータ） (2023-11-21T02:01:01Z)
• Synergistic Interplay between Search and Large Language Models for Information Retrieval [141.18083677333848]
  InteRにより、RMはLLM生成した知識コレクションを使用してクエリの知識を拡張することができる。 InteRは、最先端手法と比較して総合的に優れたゼロショット検索性能を実現する。
  論文  参考訳（メタデータ） (2023-05-12T11:58:15Z)

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。