論文の概要: Towards Explaining Query Expansion Performance in Information Retrieval

• arxiv url: http://arxiv.org/abs/2610.09724v1
• Date: Wed, 07 Oct 2026 09:21:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.829384
• Title: Towards Explaining Query Expansion Performance in Information Retrieval
• Title（参考訳）: 情報検索におけるクエリ拡張性能の説明に向けて
• Abstract要約: 単一のQEメソッドは、すべてのクエリで他よりも一貫して優れています。 我々は,拡張されたクエリに対して,関連性や非関連性のある文書がどれだけ得点されたかを定量化する,分離可能性の観点を開発する。 特に,理想的なクエリに近い拡張クエリでは,検索効率が向上する傾向にある。
• 参考スコア（独自算出の注目度）: 1.5636956410112013
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Query Expansion (QE) techniques have long been widely used in Information Retrieval (IR) to address the vocabulary mismatch problem. They remain relevant in modern retrieval systems, including those based on large language models (LLMs). However, no single QE method consistently outperforms others across all queries. This work seeks to explain the variation in QE performance through two complementary perspectives. The first is the concept of an Ideal Expanded Query (IEQ)--a hypothetical query that maximizes retrieval effectiveness with a downstream BM25 retrieval model. The second is a separability perspective, which quantifies how distinctly relevant and non-relevant documents are scored for a given expanded query using Cohen's (d). We develop a separability measure and practical formulations to approximate the IEQ and investigate how these factors relate to retrieval effectiveness. Extensive experiments on the TREC Robust collection, TREC DL 2019-2022 passage collections, and TREC DL 2019-2020 document collections reveal several interesting patterns. In particular, we find that expanded queries that are closer to the ideal expanded query tend to achieve higher retrieval effectiveness. We further show that the separability of relevant and non-relevant documents provides a complementary perspective for understanding QE performance.
• Abstract（参考訳）: クエリ拡張(QE)技術は、語彙ミスマッチ問題に対処するために、長い間、Information Retrieval(IR)で広く使われてきた。 これらは、大規模言語モデル(LLM)に基づくものを含む、現代の検索システムに引き続き関係している。 しかしながら、単一のQEメソッドが全てのクエリで他よりも一貫して優れています。 本研究は,2つの相補的な視点からQEパフォーマンスの変化を説明することを目的とする。 1つ目は、理想拡張クエリ(IEQ)の概念であり、下流のBM25検索モデルで検索効率を最大化する仮説的なクエリである。 2つ目は分離可能性の観点で、Cohen(d)を使用して、与えられた拡張クエリに対して、関連性や非関連性のある文書がどのようにスコアされるかを定量化する。 本稿では,IEQを近似するための分離性尺度と実用的定式化を開発し,これらの因子が検索効率に与える影響について検討する。 TREC Robustコレクション、TREC DL 2019-2022パスコレクション、TREC DL 2019-2020ドキュメントコレクションに関する大規模な実験は、いくつかの興味深いパターンを示している。 特に,理想的な拡張クエリに近い拡張クエリでは,検索効率が向上する傾向にある。 さらに、関連文書と非関連文書の分離性は、QEパフォーマンスを理解するのに相補的な視点を提供することを示す。

関連論文リスト

• Superintelligent Retrieval Agent: The Next Frontier of Information Retrieval [25.731213365755234]
  textitSuperIntelligent Retrieval Agent (SIRA)を紹介する。 SIRAは、複数ラウンド探索探索を単一のコーパス識別検索アクションに圧縮することができる。 解釈可能で、トレーニング不要で、効率的でありながら、より高価なマルチラウンドサーチを超えることができる。
  論文  参考訳（メタデータ） (2026-05-07T17:54:29Z)
• Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
  ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。 我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。 BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-09-08T10:58:42Z)
• Chain of Retrieval: Multi-Aspect Iterative Search Expansion and Post-Order Search Aggregation for Full Paper Retrieval [68.71038700559195]
  The Chain of Retrieval (COR) is a novel repeaterative framework for full-paper search。 SCIBENCH(SCIBENCH)は、クエリと候補のための全論文の完全なコンテキストとセグメント化されたコンテキストを提供するベンチマークである。
  論文  参考訳（メタデータ） (2025-07-14T08:41:53Z)
• A New Query Expansion Approach via Agent-Mediated Dialogic Inquiry [10.76224743599566]
  本稿では,3つの専門的役割を含む対話的調査を行うエージェント媒介型対話型フレームワークAMDを提案する。 マルチエージェントプロセスを活用することで、AMDは質問やフィードバックの洗練を通じて、よりリッチなクエリ表現を効果的に構築する。
  論文  参考訳（メタデータ） (2025-02-12T16:39:06Z)
• DR-RAG: Applying Dynamic Document Relevance to Retrieval-Augmented Generation for Question-Answering [4.364937306005719]
  RAGは最近、質問応答(QA)のような知識集約的なタスクにおいて、LLM(Large Language Models)のパフォーマンスを実証した。 重要な文書とクエリの間には関連性が低いものの,文書の一部とクエリを組み合わせることで,残りの文書を検索できることがわかった。 文書検索のリコールと回答の精度を向上させるために,DR-RAG(Dynamic-Relevant Retrieval-Augmented Generation)と呼ばれる2段階検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-11T15:15:33Z)
• Query2doc: Query Expansion with Large Language Models [69.9707552694766]
  提案手法はまず,大言語モデル (LLM) をプロンプトすることで擬似文書を生成する。 query2docは、アドホックIRデータセットでBM25のパフォーマンスを3%から15%向上させる。 また,本手法は,ドメイン内およびドメイン外の両方において,最先端の高密度検索に有効である。
  論文  参考訳（メタデータ） (2023-03-14T07:27:30Z)
• Query Expansion Using Contextual Clue Sampling with Language Models [69.51976926838232]
  本稿では,実効的なフィルタリング戦略と検索した文書の融合の組み合わせを,各文脈の生成確率に基づいて提案する。 我々の語彙マッチングに基づくアプローチは、よく確立された高密度検索モデルDPRと比較して、同様のトップ5/トップ20検索精度と上位100検索精度を実現する。 エンド・ツー・エンドのQAでは、読者モデルも我々の手法の恩恵を受けており、いくつかの競争基準に対してエクサクト・マッチのスコアが最も高い。
  論文  参考訳（メタデータ） (2022-10-13T15:18:04Z)

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。