Buchumschlag

LLM-VPRF: Large Language Model Based Vector Pseudo Relevance Feedback

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Hang, Zhuang, Shengyao, Koopman, Bevan, Zuccon, Guido
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Information Retrieval Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Pseudo Relevance Feedback is Enough to Close the Gap Between Small and Large Dense Retrieval Models
von: Li, Hang, et al.
Veröffentlicht: (2025)

Team IELAB at TREC Clinical Trial Track 2023: Enhancing Clinical Trial Retrieval with Neural Rankers and Large Language Models
von: Zhuang, Shengyao, et al.
Veröffentlicht: (2024)

Does Vec2Text Pose a New Corpus Poisoning Threat?
von: Zhuang, Shengyao, et al.
Veröffentlicht: (2024)

A Setwise Approach for Effective and Highly Efficient Zero-shot Ranking with Large Language Models
von: Zhuang, Shengyao, et al.
Veröffentlicht: (2023)

TPRF: A Transformer-based Pseudo-Relevance Feedback Model for Efficient and Effective Retrieval
von: Li, Hang, et al.
Veröffentlicht: (2024)

Dense Retrieval with Continuous Explicit Feedback for Systematic Review Screening Prioritisation
von: Mao, Xinyu, et al.
Veröffentlicht: (2024)

ReSLLM: Large Language Models are Strong Resource Selectors for Federated Search
von: Wang, Shuai, et al.
Veröffentlicht: (2024)

PromptReps: Prompting Large Language Models to Generate Dense and Sparse Representations for Zero-Shot Document Retrieval
von: Zhuang, Shengyao, et al.
Veröffentlicht: (2024)

2D Matryoshka Training for Information Retrieval
von: Wang, Shuai, et al.
Veröffentlicht: (2024)

Understanding and Mitigating the Threat of Vec2Text to Dense Retrieval Systems
von: Zhuang, Shengyao, et al.
Veröffentlicht: (2024)

Rank-R1: Enhancing Reasoning in LLM-based Document Rerankers via Reinforcement Learning
von: Zhuang, Shengyao, et al.
Veröffentlicht: (2025)

Zero-shot Generative Large Language Models for Systematic Review Screening Automation
von: Wang, Shuai, et al.
Veröffentlicht: (2024)

Starbucks-v2: Improved Training for 2D Matryoshka Embeddings
von: Zhuang, Shengyao, et al.
Veröffentlicht: (2024)

Document Screenshot Retrievers are Vulnerable to Pixel Poisoning Attacks
von: Zhuang, Shengyao, et al.
Veröffentlicht: (2025)

VISA: Retrieval Augmented Generation with Visual Source Attribution
von: Ma, Xueguang, et al.
Veröffentlicht: (2024)

Whole-Pool Setwise Reranking with Long-Context Language Models
von: Li, Hang, et al.
Veröffentlicht: (2026)

Reassessing Large Language Model Boolean Query Generation for Systematic Reviews
von: Wang, Shuai, et al.
Veröffentlicht: (2025)

A Reproducibility Study of Goldilocks: Just-Right Tuning of BERT for TAR
von: Mao, Xinyu, et al.
Veröffentlicht: (2024)

Large Language Models for Stemming: Promises, Pitfalls and Failures
von: Wang, Shuai, et al.
Veröffentlicht: (2024)

AutoBool: An Reinforcement-Learning trained LLM for Effective Automated Boolean Query Generation for Systematic Reviews
von: Wang, Shuai, et al.
Veröffentlicht: (2025)

Rank-DistiLLM: Closing the Effectiveness Gap Between Cross-Encoders and LLMs for Passage Re-Ranking
von: Schlatt, Ferdinand, et al.
Veröffentlicht: (2024)

Beyond Chunk-Then-Embed: A Comprehensive Taxonomy and Evaluation of Document Chunking Strategies for Information Retrieval
von: Zhou, Yongjie, et al.
Veröffentlicht: (2026)

Can It Reach the Generator? Investigating the Survival of Prompt-Injection Attacks in Realistic RAG Settings
von: Yin, Yu, et al.
Veröffentlicht: (2026)

Set-Encoder: Permutation-Invariant Inter-Passage Attention for Listwise Passage Re-Ranking with Cross-Encoders
von: Schlatt, Ferdinand, et al.
Veröffentlicht: (2024)

An Investigation of Prompt Variations for Zero-shot LLM-based Rankers
von: Sun, Shuoqi, et al.
Veröffentlicht: (2024)

Leveraging LLMs for Unsupervised Dense Retriever Ranking
von: Khramtsova, Ekaterina, et al.
Veröffentlicht: (2024)

Where Relevance Emerges: A Layer-Wise Study of Internal Attention for Zero-Shot Re-Ranking
von: Chen, Haodong, et al.
Veröffentlicht: (2026)

When LLM Judges Inflate Scores: Exploring Overrating in Relevance Assessment
von: Yu, Chuting, et al.
Veröffentlicht: (2026)

FeB4RAG: Evaluating Federated Search in the Context of Retrieval Augmented Generation
von: Wang, Shuai, et al.
Veröffentlicht: (2024)

Unlearning for Federated Online Learning to Rank: A Reproducibility Study
von: Tao, Yiling, et al.
Veröffentlicht: (2025)

Embark on DenseQuest: A System for Selecting the Best Dense Retriever for a Custom Collection
von: Khramtsova, Ekaterina, et al.
Veröffentlicht: (2024)

How to Forget Clients in Federated Online Learning to Rank?
von: Wang, Shuyi, et al.
Veröffentlicht: (2024)

On the impact of retrieved content representations in RAG Pipelines
von: Ross, Jonathan J, et al.
Veröffentlicht: (2026)

LLM-Assisted Pseudo-Relevance Feedback
von: Otero, David, et al.
Veröffentlicht: (2026)

Knowledge Distillation for Enhancing Walmart E-commerce Search Relevance Using Large Language Models
von: Shang, Hongwei, et al.
Veröffentlicht: (2025)

Beyond GeneGPT: A Multi-Agent Architecture with Open-Source LLMs for Enhanced Genomic Question Answering
von: Chen, Haodong, et al.
Veröffentlicht: (2025)

Generalized Pseudo-Relevance Feedback
von: Tu, Yiteng, et al.
Veröffentlicht: (2025)

LLM-based Relevance Assessment for Web-Scale Search Evaluation at Pinterest
von: Wang, Han, et al.
Veröffentlicht: (2025)

How do Large Language Models Understand Relevance? A Mechanistic Interpretability Perspective
von: Liu, Qi, et al.
Veröffentlicht: (2025)

FunReason: Enhancing Large Language Models' Function Calling via Self-Refinement Multiscale Loss and Automated Data Refinement
von: Hao, Bingguang, et al.
Veröffentlicht: (2025)