쿼리 확장이 강력한 교차 인코더 순위 생성기의 일반화를 개선할 수 있는가?

쿼리 확장은 1단계 검색기에서 검색 결과를 개선하기 위해 널리 사용되어 왔지만, 2단계인 교차 인코더 순위 생성기에 미치는 영향은 아직 충분히 탐구되지 않았다. Weller et al.의 최근 연구는 현재의 확장 기술이 DPR 및 BM25와 같은 약한 모델에 유익하지만 MonoT5와 같은 강한 순위 생성기에는 해를 끼친다는 것을 보여준다. 본 논문에서는 이 결론을 재검토하고 다음 질문을 제기한다: 쿼리 확장이 강력한 교차 인코더 순위 생성기의 일반화를 개선할 수 있는가? 이 질문에 답하기 위해, 우리는 먼저 최신 교차 인코더 순위 생성기에 인기 있는 쿼리 확장 방법을 적용하고, 저하된 제로샷 성능을 확인하였다. 우리는 실험에서 교차 인코더에 대한 두 가지 중요한 단계인 고품질 키워드 생성 및 최소 방해 쿼리 수정 을 확인하였다. 우리는 프롬프트 엔지니어링 및 각 확장된 쿼리의 순위 결과를 융합하여 결합함으로써 강력한 신경망 순위 생성기의 일반화를 개선할 수 있음을 보여준다. 구체적으로, 우리는 먼저 지침을 따르는 언어 모델을 호출하여 추론 체인을 통해 키워드를 생성한다. 자기 일관성과 상호 순위 가중치를 활용하여, 우리는 각 확장된 쿼리의 순위 결과를 동적으로 결합한다. BEIR 및 TREC Deep Learning 2019/2020에 대한 실험에서는 이러한 단계를 따른 MonoT5와 RankT5의 nDCG@10 점수가 개선되었으며, 이는 강력한 교차 인코더 순위 생성기에 쿼리 확장을 적용하기 위한 방향을 제시한다.