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 9 篇，入选 7 篇，分数 3.40 – 4.15
SJTU多条件检索要求系统找出同时满足多个约束的文档，超出单纯话题相关。query decomposition 被广泛当作直觉解法，但其在检索管线不同阶段的效果一直缺乏系统研究。本文做 stage-aware 实证，发现鲜明的阶段依赖效应：在初始检索阶段做分解常因“语义稀释”损害召回；但在 reranking 阶段做分解则显著提升效果。
现有 LLM-for-rec 多集中在召回与排序，重排阶段被忽视；且 LLM 多用零样本或 SFT，未充分发挥经 RL 强化的推理能力。本文提出 Generative Reasoning Re-ranker，把重排建模为 LLM 推理生成任务，用高质量推理链 + 强化学习提升重排质量。
INSIGHT把重排当“推理”而非打分，用 RL 激发推理能力精修最终结果。对相关性精排有借鉴：候选已较优时，让模型显式推理“为什么这条更相关”可能比纯打分更稳。
电商评论是重要决策依据，但数量激增造成信息过载。已有评论排序多依赖星级、有用投票、时间等聚合信号，未反映用户个体偏好。本文提出基于 persona 的个性化评论排序与摘要，按用户特定兴趣对评论排序并生成摘要。
INSIGHT把“评论排序”从聚合信号升级为 persona 个性化，对 UGC 社区“按我关心的点筛/排内容”很贴合。个性化排序 + 摘要可减轻信息过载，是社区搜索结果页的可借鉴形态。
多模态生成式检索把检索建模为离散标识符生成，省去对外部 embedding 的显式相似搜索；已有方法用残差量化构造标识符、trie 约束 beam search 解码。本文指出 indexing-decoding gap：标识符学习目标(重构、对比损失)未显式保证解码时 prefix 可区分性。提出 Prefix Retention Optimization 弥合。
INSIGHT点出生成式检索真问题：标识符学得好≠解码时前缀可区分，目标错位。Prefix Retention 思路对任何用 Semantic-ID + 自回归解码的生成式召回/检索都有借鉴。
ANN 搜索支撑大规模检索，尤其在 RAG 里为 LLM 提供 grounding，但方法散落多个社区难成体系。本文提出 projection-quantisation-organisation (PQO) 统一视角，把 LSH、学习型二值哈希、深度端到端哈希、乘积量化、图索引纳入三个设计选择的统一框架。
INSIGHT把 learning-to-hash/量化/图索引统一成 PQO 三选择的梳理，适合做检索基建选型的认知地图。对要在 RAG/向量检索权衡精度-内存-速度的团队提供设计坐标系。
从视觉丰富的长文档检索证据页是文档问答的关键难点。现有页级视觉检索器各页独立打分，会漏掉信号局限在细粒度 chunk、或依赖文档内部关联的证据页。EviProp 把文档建成多模态 Chunk-Page 图，用“种子相关性扩散”把局部/关联信号传播回页级。
INSIGHT用图上相关性扩散修正“各页独立打分”的盲区，对长文档/多模态检索的证据定位有参考。社区长帖/带图问答检索可借鉴“先种子命中再图扩散”。
给 LLM 提供结构化信息能改善多步推理与事实 grounding；现有 RAG 每次 query 都从检索文本重建结构。当语料本身已结构化(如 JSONL)，这种每查询重建可被直接的结构检索替代。jXBW 提出压缩索引支持结构感知的 substructure search。
INSIGHT对“语料已结构化(JSONL/记录型)”的场景，直接做子结构检索而非每查询重建是更高效路径。对带结构化字段的站内检索(商品、问答卡片)有借鉴。