简单浏览一下Sigir2024中与ranking相关的论文。不得不说，自从LLM大热后，传统的LTR方向的论文是越来越少了，目前不少都是RAG或类似场景下的工作了，比如查询改写、rerank等。
目录
- The Surprising Effectiveness of Rankers Trained on Expanded Queries
- Can Query Expansion Improve Generalization of Strong Cross-Encoder Rankers?
- Unbiased Learning to Rank Meets Reality: Lessons from Baidu’s Large-Scale Search Dataset
- Multi-granular Adversarial Attacks against Black-box Neural Ranking Models
The Surprising Effectiveness of Rankers Trained on Expanded Queries
对query进行改写和两个模型进行排序。大致流程：
- 基于LLM和相关的文档对query进行改写，丰富长尾query的信息。
- 改写时需要筛选文档中与query相关的句子。
- 针对长尾query，在扩充后的query上训练一个专门的排序模型；
- 一共有两个排序模型，分别是针对简单query的Base Ranker和困难query的Specialized Ranker。以及一个判断query是否为困难query的模型。计算文档最终的得分时，先计算query为困难query的概率，再用两个排序模型计算得分并加权作为最终得分。
Can Query Expansion Improve Generalization of Strong Cross-Encoder Rankers?
query改写在检索阶段的作用很明显，其对交互式编码器的影响几何呢？已有的一些工作表明查询扩展对弱一些的排序模型效果更好，对强的则可能有害。如何应用查询扩展才能使其提升排序模型的能力呢，论文给出了两个关键的步骤：
-
高质量的关键词生成。排序更关注准确性（与检索不同），因此对查询扩展的精确性要求更高，避免扩展出现语义漂移的问题。文中的做法：通过LLM生成关键词，并通过self-consistency进行筛选（简言之：生成多次，取出现频率高的）。
- 这个确实很重要。排序阶段应该尽量保持原始查询的精确性，避免改写过于发散。
-
最小化查询扩展的破坏性。如何将生成的关键词插入到查询中，以最小化插入后的语义漂移。实验表明，即使直插入3个关键词在原始查询的末尾也会导致精度退化。文中的做法：每个关键词分别与原查询拼接后，各自进行排序，再进行融合。
Unbiased Learning to Rank Meets Reality: Lessons from Baidu’s Large-Scale Search Dataset
终于看到一篇传统的LTR论文，自从LLM大热，传统LTR论文是少之又少了啊。（虽然感觉这篇论文有点水）
这篇论文主要基于Baidu-ULTR数据集（由WSDM Cup 2023发布），通过实验分析了目前的主流ULTR方法能否真的提升ULTR效果。论文中主要考虑了位置偏差，直接看结论：
- 在该数据集上（后续同理），ULTR方法的提升甚微；
- 语言模型的训练对ULTR方法敏感；
- ULTR或许能提高点击，但可能与人工标注不一致。
Multi-granular Adversarial Attacks against Black-box Neural Ranking Models
这篇论文主要提出了一种对文档添加不同粒度的扰动，来提高文本排序模型的鲁棒性。论文将添加不同粒度的扰动看作一个序列决策的问题，以强化学习的方式构建扰动直至最优的扰动，过程：
- 准备好一个代理排序模型，评估文档的相关性，一个LLM，评估文本的流畅度；
- 多粒度攻击者由两部分组成：sub-agent通过代理排序模型识别文档中脆弱的攻击位置和扰动粒度，meta-agent负责生成实际的扰动。
- 最终的目标：最大化扰动后文本的相关性以及流畅度。
文中比较关键的是基于强化学习的多粒度攻击者，主要是攻击位置的识别。这个论文有点意思，或许可以用到提升训练数据质量上。
