今日场景社区搜索（UGC 短文本搜索）：关注语义匹配、query 理解、短文本召回、排序模型及 LLM 在搜索中的应用，核心指标为 nDCG 和 CTR。 — 评分 72 篇，入选 10 篇，分数 3.30 – 4.40
论文针对电商双塔召回与下游重排偏好不一致的问题，提出仅更新正优势样本的 PAO 在线强化学习方法。在文档索引冻结的工业约束下，它只把查询向量拉向高奖励区域，避免常规策略梯度推离负样本时破坏预训练语义流形，并以重排器反馈直接优化端到端检索质量。
PEARL 解决跨表语义被整表表征抹平的问题：离线沿预先识别的 join 路径生成多跳查询，再把相关列重组为纵向分区的子表检索单元。该方案无需查询时调用 LLM，在三跳查询上取得最高 30.05% 的 R@2 提升，并已公开实现代码。
INSIGHT方法把昂贵的关系推理前置到离线索引构建，适合把社区中的作者、话题、帖子和互动等结构化关系组织成可检索单元。实践中可借鉴“按关系链切分”而不是固定字段拼接，并用多跳召回率衡量索引结构是否真正保留跨实体语义。
E-SENS 聚焦“要 A 但不要 B”类负约束查询中，稠密检索反而召回被排除概念的问题。它从排除侧抽取紧凑 trap query，并从原查询相关性分数中减去 trap 相似度；在 ExcluIR 和 4 个嵌入模型上展示了可控的召回率—违规率折中。
INSIGHT这是可直接叠加到现有向量召回后的无训练重排器，特别适合“不要广告”“排除剧透”等 UGC 搜索意图。工程上应将否定槽位识别与主意图分离，并通过阈值控制召回损失；同时需建立负约束违规率，避免只看 nDCG 掩盖明显违背用户要求的结果。
Tencent腾讯 ima 的知识库架构以 Elasticsearch 承担工程化检索，组合 ngram 模糊匹配、关键词与向量多路召回，并通过 RRF 融合排序选取 Top 片段交给大模型生成。实践强调在统一索引体系中兼顾字面精确命中、语义召回和可扩展的在线服务。
INSIGHT社区短文本常同时含有专名、缩写和口语表达，单一路径难以稳定覆盖；ES 词法召回与向量召回的 RRF 融合是一条低风险升级路线。落地时应分别观测各召回路贡献、融合后覆盖增益和重排延迟，并保留来源字段以便生成答案引用。
RePair 将双塔检索的头部误召回视作反事实脚手架：定位导致错误的局部语义残差，最小化修正生成同模态 hard positive，同时把未编辑版本作为 hard negative，形成跨越决策边界的拉近—推远监督。它弥补了传统难例挖掘只能选择、不能纠正样本的缺陷。
INSIGHT相比无条件合成难例，从线上 top-ranked false positive 出发更贴近真实模型盲点。社区搜索可把误召回帖子中的实体、属性或否定词做最小修改，构造边界样本；但生成后必须做语义一致性审核，避免错误标签污染训练集，并按失败类型跟踪收益。
LoG-Reranker 针对科学综述中段落级重排把关键方法和对比证据埋在长上下文里的问题，改用句子级局部—全局图建模。框架同时刻画候选内部的重要句子与候选之间的互补、上下文和对照关系，使生成器获得覆盖更完整、组织更清晰的证据集合。
INSIGHT独立打分容易返回十条内容相似的帖子，图重排则能显式奖励互补信息。社区问答可先做句级相关性，再以相似、支持和冲突边构图，兼顾相关性与覆盖；代价是图构建和跨候选交互增加延迟，适合放在高价值复杂查询的末级重排。
MULTI3IR 面向开放问题的多视角覆盖评测，收录 10.49 万条 Stack Exchange 查询，并标注其隐含观点，跨越多个领域与模态。作者还提出参数和标签高效的 SPIN，通过学习噪声向量把嵌入引向多样且有意义的语义方向，缓解现有检索器的单视角偏置。
INSIGHTUGC 搜索的满意度常来自结果列表是否覆盖不同立场和解决路径，而不只是首条相关性。可借鉴观点描述标注建立 coverage 指标，并在召回向量上施加轻量方向扰动获得多视角候选；应用时需与 nDCG、CTR 联合评估，防止多样性牺牲主意图。
Doc-REFRAG 面向真实多图文档 RAG，发布含 34.3 万问答对的数据集 DocLongRAG，每个问题平均关联 37.4 张检索图片。模型先把视觉 token 压缩为粗粒度块，再由轻量强化学习选择器按问题展开相关块；在 6 个基准上与 11 个强基线比较。
INSIGHT核心启示是检索后不要等量处理所有视觉内容，而应先压缩、再按 query 选择性恢复细节。对含截图和图片帖的社区搜索，可把粗视觉摘要用于首阶段筛选，仅对高相关区域执行昂贵编码；需要同时评测答案质量、视觉 token 数和端到端延迟。
Alibaba阿里云百炼从文档解析与切片、检索召回到答案生成分阶段梳理 RAG 效果问题，强调知识库必须先包含相关知识，并建议用元数据结构化搜索在向量检索前缩小范围。文档还提醒语料语言应与主要查询语言匹配，避免跨语言表征造成额外召回损失。
INSIGHT这份实践的价值在于提供低成本排障顺序：先查知识覆盖与解析质量，再调过滤、召回和生成，而不是直接更换大模型。社区知识库可将作者、圈子、时间和内容类型作为前置过滤条件，并按查询语言路由索引，减少无效向量候选。
文章把生产级 RAG 检索拆为索引、查询、召回和重排四层，指出换模型或扩大 Top-K 无法弥补错误切片与查询表达偏差。其工程组合包括父子块和摘要索引、查询改写、多路混合召回与末级重排，并主张用真实失败样本持续扩充评测集。
INSIGHT对短文本社区搜索，最值得采用的是按层定位瓶颈：先测索引可检索性，再测召回覆盖，最后看重排与答案质量。父子块兼顾精确命中和上下文完整，多路召回解决词汇差异；但每层都应保留可观测指标，避免最终答案分数掩盖链路退化。