Génération de texte neural pour l'expansion des requêtes dans la recherche d'informations

L'expansion des requêtes des utilisateurs est un moyen bien connu d'améliorer la performance des systèmes de récupération de documents. Plusieurs approches ont été proposées dans la littérature, et certaines d'entre elles sont considérées comme offrant des résultats à la pointe de la technologie en recherche d'informations. Dans cet article, nous explorons l'utilisation de la génération de texte pour élargir automatiquement les requêtes. Nous nous appuyons sur un modèle génératif neural bien connu, le GPT-2 d'OpenAI, qui dispose de modèles pré-entraînés pour l'anglais mais peut également être affiné sur des corpus spécifiques. À travers différentes expériences et plusieurs ensembles de données, nous montrons que la génération de texte est un moyen très efficace d'améliorer la performance d'un système de recherche d'informations, avec une large marge (+10 % d'augmentation de MAP), et qu'elle surpasse des références solides s'appuyant également sur l'expansion des requêtes (RM3). Cette approche conceptuellement simple peut facilement être mise en œuvre sur n'importe quel système de recherche d'informations grâce à la disponibilité du code et des modèles GPT.