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。
多条件检索要求文档同时满足 k 个独立约束（query Q={c1,...,ck}，只有全部满足才算 fully relevant），难点在于 dense retriever 难以把正例与“共享同一宽泛主题但违反具体约束”的 hard negative 区分开。query decomposition（把复杂 query 拆成子 query）被广泛当作直觉解法，但本文提出核心问题：分解的效果是否取决于它被用在检索管线的哪个阶段？作者用受控实验给出一个鲜明悖论——分解在初始检索阶段常因“语义稀释”损害效果，却在 reranking 阶段显著提升效果。
(1) 首次系统性揭示 query 分解的“阶段依赖”效应，并用语义稀释解释为何分解在召回侧有害：把它从“要不要分解”重构为“在哪个阶段分解”。
(2) 给出可直接落地的 stage-aware 准则：召回用完整 query、重排才分解，并配 Fixed-Size(k=2,j=3) + Score-Sum 融合。
(3) 在 5 个模型、5 个数据集、Q1–Q10 全复杂度、以及 SSRB 泛化上验证该效应稳定不翻转。
检索阶段（分解有害）：NDCG@10 在 Qwen3-Embedding-0.6B 上 Q4–Q10 平均 70.1→67.8（−2.3）；BGE-large 最严重 68.2→63.9（−4.3）；Recall@50 普降 1–3 个百分点。召回失败率从基线 <1% 升到分解后 3.5–12%（Figure 2），易负例检索平均增加 1.35 个百分点（Table 5）。
重排阶段（分解有益）：Qwen3-Reranker-8B 上 Q4–Q10 从纯重排基线 73.9→79.8（+5.9）；Q10 单独 51.9→66.6（+14.7）。收益随模型增大而递减：0.6B +7.6、4B +6.8、8B +5.9。
泛化（SSRB Table 6）：检索侧直接分解 NDCG@10 11.1→8.9（Camera schema）；stage-aware 恢复到 14.9（相对纯重排基线 +3.8）。win-rate 分析一致：分解降低检索 win-rate、提升重排 win-rate（复杂 query Q8–Q10 尤甚）。
作者明确：(1) 多阶段管线的组合设计空间巨大，本文只覆盖 3 种分解策略 + 2 种融合；(2) 评测主要集中在 Qwen3 模型族，跨架构验证有限；(3) 本工作意在“隔离并诊断内在机制”，而非与各种检索增强框架做性能竞赛；(4) 把 stage-aware 原则与其他先进索引/prompting 范式结合仍是开放方向。
对社区搜索这种多条件 query（“适合新手 + 便宜 + 口碑好”）极具操作性：(1) 召回侧务必用完整 query，别拆——否则语义稀释会拉低召回、把不满足约束的近主题内容捞上来；(2) 把分解严格放到重排侧做逐约束校验，复杂 query 收益最大（Q10 +14.7 NDCG@10）；(3) 子 query 粒度选 2–3 个条件一组（Fixed-Size k=2,j=3）、融合用 Score-Sum 而非 RRF；(4) 重排器越小，分解带来的相对收益越大（0.6B +7.6 > 8B +5.9），意味着算力受限时“小重排器 + 分解”是高性价比组合。代码已开源（github.com/EIT-NLP/Query-Decompose）便于复现。
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。