論文の概要: From Ranked Documents to Reliable Contexts: An Answer-Oriented Context Construct Framework for AI Search

• arxiv url: http://arxiv.org/abs/2609.23354v2
• Date: Tue, 22 Sep 2026 07:26:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.930161
• Title: From Ranked Documents to Reliable Contexts: An Answer-Oriented Context Construct Framework for AI Search
• Title（参考訳）: ランク付けされたドキュメントから信頼性のあるコンテキストへ:AI検索のための回答指向のコンテキスト構成フレームワーク
• Abstract要約: AI検索では、検索されたドキュメントは生成モデルへの入力として機能する。 このシフトを3段階のフレームワークを通じて回答指向のコンテキスト構築として定式化する。 実験では、RetrievalとAnswerの両方で一貫した改善がなされている。
• 参考スコア（独自算出の注目度）: 43.18988410462689
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional Web search follows a human-facing paradigm in which users inspect ranked documents and synthesize information themselves. In AI Search, retrieved documents instead serve as inputs to a generation model, shifting the retrieval objective from ranking documents by Search Satisfaction to constructing reliable context for correct answer generation. We formulate this shift as answer-oriented context construction through a three-stage framework: (1) Answer Support identifies candidate documents that contribute information to answer generation; (2) Content Trustworthiness assesses whether this information provides a reliable basis for correct answers from source, temporal, and factual perspectives; and (3) Context Organization selects, consolidates, and structures retained information under a finite context budget for consistent and robust generation. We further develop an industrial workflow spanning prior and posterior optimization and establish a systematic evaluation protocol covering both retrieval-side context and final answers. Experiments show consistent improvements at both Retrieval and Answer levels, demonstrating the effectiveness of the framework and its industrial implementation.
• Abstract（参考訳）: 従来のウェブ検索は、ユーザーがランク付けされた文書を検査し、情報自体を合成するヒューマン・フェイス・パラダイムに従っている。 AI検索では、検索された文書は生成モデルへの入力として機能し、検索満足度によって検索対象をランキング文書から正しい回答生成のための信頼性のあるコンテキストにシフトする。 回答指向の文脈構築として,(1)回答支援は回答生成に寄与する候補文書を識別し,(2)コンテンツ信頼性は,情報源,時間的,事実的視点からの正しい回答の信頼性の高い基盤を提供するかどうかを評価する。 さらに,先行最適化と後続最適化にまたがる産業ワークフローを開発し,検索側コンテキストと最終回答の両方をカバーする体系的評価プロトコルを確立する。 実験では、検索レベルと解答レベルの両方で一貫した改善が示され、フレームワークの有効性とその工業的実装が実証された。

関連論文リスト

• DeepSynth-Eval: Objectively Evaluating Information Consolidation in Deep Survey Writing [53.85037373860246]
  本稿では,情報統合能力を客観的に評価するためのベンチマークであるDeep Synth-Evalを紹介する。 一般チェックリスト(実例)と制約チェックリスト(構造体)を用いたきめ細かい評価プロトコルを提案する。 その結果,エージェント型プラン・アンド・ライトは単ターン生成よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-01-07T03:07:52Z)
• Test-time Corpus Feedback: From Retrieval to RAG [21.517949407443453]
  Retrieval-Augmented Generation (RAG) は知識集約型NLPタスクの標準フレームワークとして登場した。 ほとんどのRAGパイプラインは、検索と推論を独立したコンポーネントとして扱い、ドキュメントを一度取り出し、さらに相互作用することなく回答を生成する。 情報検索(IR)とNLPのコミュニティにおける最近の研究は、フィードバックを取り入れた適応的検索とランキング手法を導入して、このギャップを埋め始めている。
  論文  参考訳（メタデータ） (2025-08-21T10:57:38Z)
• Beyond Chunking: Discourse-Aware Hierarchical Retrieval for Long Document Question Answering [51.7493726399073]
  本稿では,長文質問応答を改善するための対話型階層型フレームワークを提案する。 このフレームワークには3つの重要な革新がある: 長文の専門的な談話解析、LLMに基づく談話関係ノードの拡張、構造誘導階層検索である。
  論文  参考訳（メタデータ） (2025-05-26T14:45:12Z)
• DOGR: Leveraging Document-Oriented Contrastive Learning in Generative Retrieval [10.770281363775148]
  生成検索における文書指向コントラスト学習(DOGR)の活用という,新規で汎用的な生成検索フレームワークを提案する。 クエリとドキュメントの関係を,直接的なインタラクションを通じて包括的にキャプチャする,2段階の学習戦略を採用している。 意味表現の学習を促進するために、否定的サンプリング手法とそれに対応するコントラスト学習目的を実装した。
  論文  参考訳（メタデータ） (2025-02-11T03:25:42Z)
• Evaluating Generative Ad Hoc Information Retrieval [58.800799175084286]
  生成検索システムは、しばしばクエリに対する応答として、接地された生成されたテキストを直接返す。 このような生成的アドホック検索を適切に評価するには,テキスト応答の有用性の定量化が不可欠である。
  論文  参考訳（メタデータ） (2023-11-08T14:05:00Z)
• GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
  本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。 FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2022-04-12T03:49:35Z)

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。