History-Aware Conversational Dense Retrieval

对话式搜索通过允许用户和系统之间进行多轮交互来促进复杂信息检索。支持这种交互需要全面理解对话式输入，以便基于历史信息制定良好的搜索查询。特别是，搜索查询应包括先前对话轮次中的相关信息。然而，当前的对话式密集检索方法主要依赖于使用整个对话式搜索会话来微调预训练的特定检索器，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量的限制。为了解决上述问题，我们提出了一种历史感知对话式密集检索（HAConvDR）系统，它包括两个想法：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。在两个公共对话式搜索数据集上的实验表明，HAConvDR具有更好的历史建模能力，特别是对于主题转换较多的长对话。

本论文旨在解决对话式搜索中历史信息建模的问题。现有方法主要依赖于对整个对话搜索会话进行微调，且受现有数据集中手动监督信号数量的限制。

HAConvDR系统采用了上下文去噪查询重构和基于历史轮次实际影响的自动挖掘监督信号的方法，以改善历史建模能力。

实验表明，HAConvDR在历史信息建模方面具有改进的能力，特别是对于主题转换的长对话。研究使用了两个公共对话搜索数据集，并提供了开源代码。

最近的相关研究包括Dense Retrieval和Conversational Search等领域的研究。