Generate then Retrieve: Conversational Response Retrieval Using LLMs as Answer and Query Generators

本文探讨了交互式知识助手在信息检索中的重要性，这是信息检索领域的一个重要方向。这些系统需要在对话环境中熟练理解用户的信息需求并检索相关信息。为此，现有的方法使用一个重写查询来建模用户的信息需求，并将其用于检索。本文提出了三种不同的方法来生成多个查询以增强检索效果。在这些方法中，我们利用大型语言模型（LLMs）的能力，理解用户的信息需求并生成适当的响应，从而生成多个查询。我们使用各种LLMs，包括GPT-4和Llama-2 chat，在零-shot和few-shot设置下实现和评估了所提出的模型。此外，我们还提出了一个基于gpt 3.5判断的TREC iKAT新基准。我们的实验揭示了我们所提出的模型在TREC iKAT数据集上的有效性。

本论文旨在解决交互式知识助手中的信息检索问题，提出了三种生成多个查询的方法，以提高检索效果。

论文利用大型语言模型（LLMs）生成多个查询，以更好地理解用户的信息需求和生成适当的响应。

论文使用了多个LLMs，包括GPT-4和Llama-2 chat，在TREC iKAT数据集上进行实验，并提出了一个新的基于gpt 3.5判断的基准。实验结果表明，所提出的模型在TREC iKAT数据集上取得了良好的效果。

近期相关研究包括《A Survey on Conversational Search》、《Conversational Information Seeking》等。