이 논문은 TREC 2023 Deep Learning 트랙에 참여한 University of Glasgow Terrier 팀의 연구 내용을 설명한다. 팀은 대규모 언어 모델을 활용한 제너레이티브 관련 피드백과 적응형 재순위화 기법을 적용하여 검색 성능을 향상시켰다.
제너레이티브 관련 피드백은 두 가지 방식으로 적용되었다. 첫째, 제너레이티브 쿼리 재작성(Gen-QR)을 통해 쿼리 확장 용어를 생성하고, 둘째, 제너레이티브 유사 관련 피드백(Gen-PRF)을 통해 초기 순위화 결과를 기반으로 쿼리 확장 용어를 생성하였다.
적응형 재순위화는 BM25 기반의 코퍼스 그래프를 활용하여 수행되었다. 이를 통해 초기 순위화 모델의 성능에 크게 의존하지 않고도 높은 성능을 달성할 수 있었다.
실험 결과, 제너레이티브 관련 피드백과 적응형 재순위화를 결합한 접근법이 가장 우수한 성능을 보였다. 특히 P@10과 nDCG@10 지표에서 가장 높은 점수를 기록했다. 또한 적응형 재순위화만으로도 SPLADE와 유사한 수준의 성능을 달성할 수 있었다.
이 연구는 제너레이티브 관련 피드백과 적응형 재순위화가 효과적인 검색 기법임을 보여주며, 초기 순위화 모델의 복잡도를 낮출 수 있는 가능성을 제시한다.
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Andrew Parry... a las arxiv.org 05-03-2024
https://arxiv.org/pdf/2405.01122.pdfConsultas más profundas