Generative生成式推荐 · 2 篇Personalization个性化推荐 · 4 篇AI SearchAI 搜索 · 4 篇Agentic智能体搜索 · 7 篇Infra系统与索引 · 6 篇

今日场景社区搜索 (UGC 短文本搜索): 用户在社区平台搜索帖子、问答、评论等 UGC 内容。核心指标是搜索相关性 (nDCG) 和点击率 (CTR)。关注：语义匹配、query 理解、短文本召回、排序模型、LLM 在搜索中的应用。 — 评分 5 篇，入选 4 篇，分数 3.45 – 4.10

本期目录 · 4 篇
  1. 01E2Rank: Your Text Embedding can Also be an Effective and Efficient Listwise Reranker
  2. 02Negative Sampling Techniques in Information Retrieval: A Survey
  3. 03DEO: Training-Free Direct Embedding Optimization for Negation-Aware Retrieval
  4. 04Hypothesis-Conditioned Query Rewriting for Decision-Useful Retrieval
LEAD STORY · 今日必读 · Alibaba

E2Rank: Your Text Embedding can Also be an Effective and Efficient Listwise Reranker

E2Rank 提出将文本 embedding 模型同时用于检索和 listwise 重排序的统一框架。通过在 embedding 模型上继续训练 listwise 排序目标，利用 query 与 document embedding 之间的余弦相似度作为统一打分函数，从候选文档构建增强 query。在 BEIR 和 BRIGHT 基准上取得了强劲表现，同时几乎不增加延迟开销，并提升了 MTEB embedding 性能。

📖 深度解读 · 14 分钟arXiv ↗
相关 5新颖 4实用 4证据 4时效 2
4.10
综合分 / 5
偏好调整 4.20
KEY INSIGHT · 对业务意味着什么该工作的核心创新在于证明 embedding 模型无需额外引入 cross-encoder 即可完成 listwise 重排序，大幅简化了多阶段检索流水线。对搜索系统实践者而言，可以用同一个模型同时支持一阶段召回和精排，减少线上模型部署和维护成本，特别适合 UGC 搜索这种对延迟敏感的场景。
Qi Liu, Yanzhao Zhang, Mingxin Li, Dingkun Long, Pengjun Xie, Jiaxin Mao · 2025-10-26 · arXiv

今日其余入选

3 篇 · 按综合排名
02 3.65

Negative Sampling Techniques in Information Retrieval: A Survey

该综述系统梳理了密集检索中 35 篇负采样技术论文，提出了覆盖随机采样、静态/动态挖掘和合成数据集的分类体系，分析了效果、计算开销和实现复杂度之间的权衡。该综述的独特价值在于纳入了基于大语言模型的最新负采样方法，已被 EACL 2026 Findings 接收。

INSIGHT负采样是训练高质量检索模型的关键环节。该综述为搜索系统开发者提供了清晰的技术选型指南：对于资源有限的团队，BM25 hard negative 挖掘是性价比最高的选择；对于追求极致效果的场景，LLM 生成合成负例是最新趋势。这一分类框架可直接指导 UGC 搜索中 embedding 模型训练的负例策略设计。

Laurin Wischounig, Abdelrahman Abdallah, Adam Jatowt
arXiv·2026-01-09·Relevance 4 · Novelty 3 · Practical 4 · Evidence 3 · Timely 4
03 3.60

DEO: Training-Free Direct Embedding Optimization for Negation-Aware Retrieval

DEO 提出了一种无需训练的方法来解决检索系统处理否定和排除类查询的挑战。该方法将查询分解为正向和负向组件，并应用对比优化来调整 embedding，在 NegConstraint 基准和多模态检索任务上取得了显著提升，包括 CLIP 图像检索 Recall@5 提升 6%。

INSIGHT否定查询（如『不含XX的YY』）是搜索系统的经典难题。DEO 的免训练方案意味着可以直接叠加在现有 embedding 模型之上，无需重新训练或微调。对于 UGC 搜索场景，用户经常输入带有排除条件的查询，该方法提供了一种低成本的查询理解增强路径。

Taegyeong Lee, Jiwon Park, Seunghyun Hwang, JooYoung Jang
arXiv·2026-03-10·Relevance 3 · Novelty 4 · Practical 4 · Evidence 3 · Timely 4
04 3.45

Hypothesis-Conditioned Query Rewriting for Decision-Useful Retrieval

HCQR 提出了一种无需训练的查询改写框架，将 RAG 的检索焦点从主题相关性转向决策导向的证据获取。方法首先从问题和候选选项推导轻量假设，然后将检索改写为三个目标查询（支持、区分、验证），在医学 QA 数据集上提升了 5.9 和 3.6 个百分点。

INSIGHTHCQR 的核心思路是将检索查询从『找相关内容』升级为『找决策依据』，这一范式转变对搜索系统具有启发意义。在 UGC 搜索中，用户的搜索意图往往隐含决策需求（如选择哪个产品、判断信息真伪），基于假设的查询分解方法可以借鉴到意图理解和 query 改写模块中。

Hangeol Chang, Changsun Lee, Seungjoon Rho, Junho Yeo, Jong Chul Ye
arXiv·2026-03-19·Relevance 3 · Novelty 3 · Practical 4 · Evidence 3 · Timely 5

其他赛道今日

点击切换
Generative
2
生成式推荐 · 篇入选Personalization
4
个性化推荐 · 篇入选Agentic
7
智能体搜索 · 篇入选Infra
6
系统与索引 · 篇入选