How to Leverage Personal Textual Knowledge for Personalized Conversational Information Retrieval

个性化对话信息检索（CIR）结合了对话和可个性化的元素，通过基于用户背景的多轮交互来满足各种用户的复杂信息需求。其关键承诺在于，个人文本知识库（PTKB）可以提高CIR的效果，因为检索结果可以更相关于用户的背景。然而，PTKB存在噪声：并非每个知识点都与特定查询相关。在本文中，我们探讨和测试了几种从PTKB中选择知识并使用大型语言模型（LLM）进行查询重构的方法。实验结果表明，仅使用PTKB时，可能并不总是能提高搜索结果，但是当提供高质量的指导时，LLM可以帮助生成更合适的个性化查询。

如何通过个性化的方式提高对用户信息需求的满足度？如何处理个人文本知识库（PTKB）中噪音的问题？

利用大型语言模型（LLM）筛选和重构查询，结合PTKB进行个性化的信息检索，提高检索效果。

论文探索了多种从PTKB中选择知识并结合LLM进行查询重构的方法，并在实验中发现，单独使用PTKB并不能总是提高检索效果，但是结合LLM的个性化查询重构可以提高效果。实验使用了多个数据集，并提供了开源代码。

近期的相关研究包括：1. Personalized conversational information retrieval with hierarchical memory networks; 2. Personalized conversational search with hierarchical task classification and routing.