A Survey of Generative Information Retrieval

生成式检索（GR）是信息检索中的一种新兴范式，利用生成模型直接将查询映射到相关文档标识符（DocIDs），无需传统的查询处理或文档重新排序。本文综述了GR的全面概述，突出了关键发展、索引和检索策略以及挑战。我们讨论了各种文档标识符策略，包括数字和基于字符串的标识符，并探讨了不同的文档表示方法。我们的主要贡献在于概述未来的研究方向，这些方向可能会对该领域产生深远的影响：改进查询生成的质量，探索可学习的文档标识符，增强可扩展性，将GR与多任务学习框架集成。通过研究最先进的GR技术及其应用，本文旨在提供对GR的基础理解，并激发在这种转型的信息检索方法中进一步的创新。我们还公开了补充材料，如论文集，网址为https://github.com/MiuLab/GenIR-Survey/。

Generative Retrieval是一种新兴的信息检索范式，试图通过生成模型将查询直接映射到相关文档标识符（DocIDs），从而避免传统的查询处理或文档重新排序。

本文提供了GR的全面概述，包括关键发展、索引和检索策略以及挑战。作者讨论了各种文档标识符策略，包括数字和基于字符串的标识符，并探讨了不同的文档表示方法。作者的主要贡献在于概述了未来的研究方向，包括改进查询生成的质量、探索可学习的文档标识符、增强可扩展性以及将GR与多任务学习框架集成。

本文还提供了与GR技术及其应用相关的最新研究，旨在提供GR的基础理解，并激发在这种转型的信息检索方法中进一步创新的灵感。作者还公开了相关的论文集和代码。

最近在这个领域中，还有一些相关的研究，包括《End-to-End Learning for Conversational Question Answering》、《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》等。