Buchumschlag

ExpandR: Teaching Dense Retrievers Beyond Queries with LLM Guidance

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yao, Sijia, Huang, Pengcheng, Liu, Zhenghao, Gu, Yu, Yan, Yukun, Yu, Shi, Yu, Ge
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Information Retrieval Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning Refined Document Representations for Dense Retrieval via Deliberate Thinking
von: Ji, Yifan, et al.
Veröffentlicht: (2025)

MARVEL: Unlocking the Multi-Modal Capability of Dense Retrieval via Visual Module Plugin
von: Zhou, Tianshuo, et al.
Veröffentlicht: (2023)

ReAlign: Optimizing the Visual Document Retriever with Reasoning-Guided Fine-Grained Alignment
von: Yang, Hao, et al.
Veröffentlicht: (2026)

ICICLE: Expanding Retrieval with In-Context Documents
von: Den, Yu-Chen, et al.
Veröffentlicht: (2026)

LISRec: Modeling User Preferences with Learned Item Shortcuts for Sequential Recommendation
von: Xin, Haidong, et al.
Veröffentlicht: (2025)

Unleashing the Power of LLMs in Dense Retrieval with Query Likelihood Modeling
von: Zhang, Hengran, et al.
Veröffentlicht: (2025)

Learning to Select: Query-Aware Adaptive Dimension Selection for Dense Retrieval
von: Wu, Zhanyu, et al.
Veröffentlicht: (2026)

Modeling User Viewing Flow Using Large Language Models for Article Recommendation
von: Liu, Zhenghao, et al.
Veröffentlicht: (2023)

Enhancing Dense Retrievers' Robustness with Group-level Reweighting
von: Han, Peixuan, et al.
Veröffentlicht: (2023)

Improving Scientific Document Retrieval with Concept Coverage-based Query Set Generation
von: Kang, SeongKu, et al.
Veröffentlicht: (2025)

MoR: Better Handling Diverse Queries with a Mixture of Sparse, Dense, and Human Retrievers
von: Kalra, Jushaan Singh, et al.
Veröffentlicht: (2025)

Dense X Retrieval: What Retrieval Granularity Should We Use?
von: Chen, Tong, et al.
Veröffentlicht: (2023)

Not All Queries Need Rewriting: When Prompt-Only LLM Refinement Helps and Hurts Dense Retrieval
von: Kotte, Varun
Veröffentlicht: (2026)

RealRoute: Dynamic Query Routing System via Retrieve-then-Verify Paradigm
von: Liu, Jiahe, et al.
Veröffentlicht: (2026)

MultiContrievers: Analysis of Dense Retrieval Representations
von: Goldfarb-Tarrant, Seraphina, et al.
Veröffentlicht: (2024)

SPAR: Scholar Paper Retrieval with LLM-based Agents for Enhanced Academic Search
von: Shi, Xiaofeng, et al.
Veröffentlicht: (2025)

Bayesian Active Learning with Gaussian Processes Guided by LLM Relevance Scoring for Dense Passage Retrieval
von: Kim, Junyoung, et al.
Veröffentlicht: (2026)

Generative Retrieval as Multi-Vector Dense Retrieval
von: Wu, Shiguang, et al.
Veröffentlicht: (2024)

Xetrieval: Mechanistically Explaining Dense Retrieval
von: Cai, Zhixin, et al.
Veröffentlicht: (2026)

Query-Conditioned Graph Retrieval for Contextualized LLM Reasoning in Personalized Wearable Data
von: Lu, Zhenyu, et al.
Veröffentlicht: (2026)

Fusion-in-T5: Unifying Document Ranking Signals for Improved Information Retrieval
von: Yu, Shi, et al.
Veröffentlicht: (2023)

Query-Document Dense Vectors for LLM Relevance Judgment Bias Analysis
von: Mohtadi, Samaneh, et al.
Veröffentlicht: (2026)

The Surprising Effectiveness of Rankers Trained on Expanded Queries
von: Anand, Abhijit, et al.
Veröffentlicht: (2024)

Teaching Dense Retrieval Models to Specialize with Listwise Distillation and LLM Data Augmentation
von: Tamber, Manveer Singh, et al.
Veröffentlicht: (2025)

A Survey of Retrieval Algorithms in Ad and Content Recommendation Systems
von: Zhao, Yu, et al.
Veröffentlicht: (2024)

Aligning Dense Retrievers with LLM Utility via Distillation
von: Sandhu, Rajinder, et al.
Veröffentlicht: (2026)

Fine-Grained Guidance for Retrievers: Leveraging LLMs' Feedback in Retrieval-Augmented Generation
von: Liu, Yuhang, et al.
Veröffentlicht: (2024)

VisRAG: Vision-based Retrieval-augmented Generation on Multi-modality Documents
von: Yu, Shi, et al.
Veröffentlicht: (2024)

Unifying Generative and Dense Retrieval for Sequential Recommendation
von: Yang, Liu, et al.
Veröffentlicht: (2024)

Retrieval-Feedback-Driven Distillation and Preference Alignment for Efficient LLM-based Query Expansion
von: Li, Minghan, et al.
Veröffentlicht: (2026)

Investigating Mixture of Experts in Dense Retrieval
von: Sokli, Effrosyni, et al.
Veröffentlicht: (2024)

HypRAG: Hyperbolic Dense Retrieval for Retrieval Augmented Generation
von: Madhu, Hiren, et al.
Veröffentlicht: (2026)

DR.EHR: Dense Retrieval for Electronic Health Record with Knowledge Injection and Synthetic Data
von: Zhao, Zhengyun, et al.
Veröffentlicht: (2025)

On the Scaling of Robustness and Effectiveness in Dense Retrieval
von: Liu, Yu-An, et al.
Veröffentlicht: (2025)

ReBOL: Retrieval via Bayesian Optimization with Batched LLM Relevance Observations and Query Reformulation
von: Korikov, Anton, et al.
Veröffentlicht: (2026)

R1-Ranker: Teaching LLM Rankers to Reason
von: Feng, Tao, et al.
Veröffentlicht: (2025)

Trove: A Flexible Toolkit for Dense Retrieval
von: Esfandiarpoor, Reza, et al.
Veröffentlicht: (2025)

Interpretability Analysis of Domain Adapted Dense Retrievers
von: Yuksel, Goksenin, et al.
Veröffentlicht: (2025)

A Simple and Effective Framework for Symmetric Consistent Indexing in Large-Scale Dense Retrieval
von: Wang, Huimu, et al.
Veröffentlicht: (2025)

IterCQR: Iterative Conversational Query Reformulation with Retrieval Guidance
von: Jang, Yunah, et al.
Veröffentlicht: (2023)