History-Aware Conversational Dense Retrieval

会话式搜索通过允许用户和系统之间进行多轮交互，促进了复杂信息的检索。支持这种交互需要全面理解会话输入，以便基于历史信息制定良好的搜索查询。特别地，搜索查询应包括先前对话轮次中的相关信息。然而，当前的会话式密集检索方法主要依靠对预训练的特定检索器进行微调，使用整个会话式搜索会话，这可能会很冗长和嘈杂。此外，现有方法受现有数据集中手动监督信号数量的限制。为解决上述问题，我们提出了一种历史感知会话式密集检索（HAConvDR）系统，其中包括两个想法：上下文去噪查询重构和基于历史轮次的实际影响自动挖掘监督信号。在两个公共会话式搜索数据集上的实验表明，HAConvDR具有改进的历史建模能力，特别是对于具有主题转换的长对话。

本论文的问题是如何在对话式搜索中有效地建模历史对话信息，以提高检索效果。这是一个新问题，因为现有方法主要依赖于对整个搜索会话进行微调，而历史信息的利用仍然有待改进。

本文提出了一种名为HAConvDR的历史感知对话式稠密检索系统，它包括上下文去噪查询重构和基于历史对话的自动监督信号挖掘两个关键思路。HAConvDR通过对话历史信息的建模，能够更好地理解用户意图，并生成更准确的检索查询。

该论文的实验结果表明，HAConvDR能够有效地建模历史信息，特别是对于主题转换频繁的长对话。此外，该论文还提出了一种新的自动监督信号挖掘方法，可以减少人工标注的需求。论文使用了两个公共数据集进行实验，并公开了代码。

在这个领域中，近期的相关研究包括使用预训练模型进行对话式检索、使用图神经网络建模对话历史信息等。其中一些相关论文包括：《Dense Passage Retrieval for Open-Domain Question Answering》、《Graph Convolutional Networks for Text Classification: An Improved Preprocessing Method》等。