Copertina

Query-Document Dense Vectors for LLM Relevance Judgment Bias Analysis

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Mohtadi, Samaneh, Demartini, Gianluca
Natura:	Preprint
Pubblicazione:	2026
Soggetti:	Information Retrieval Artificial Intelligence Computation and Language
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

The Effect of Document Summarization on LLM-Based Relevance Judgments
di: Mohtadi, Samaneh, et al.
Pubblicazione: (2025)

DIRAS: Efficient LLM Annotation of Document Relevance in Retrieval Augmented Generation
di: Ni, Jingwei, et al.
Pubblicazione: (2024)

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

JuDGE: Benchmarking Judgment Document Generation for Chinese Legal System
di: Su, Weihang, et al.
Pubblicazione: (2025)

Query Performance Prediction using Relevance Judgments Generated by Large Language Models
di: Meng, Chuan, et al.
Pubblicazione: (2024)

An Iterative Utility Judgment Framework Inspired by Philosophical Relevance via LLMs
di: Zhang, Hengran, et al.
Pubblicazione: (2024)

Aligning Query Representation with Rewritten Query and Relevance Judgments in Conversational Search
di: Mo, Fengran, et al.
Pubblicazione: (2024)

Enhancing Judgment Document Generation via Agentic Legal Information Collection and Rubric-Guided Optimization
di: Su, Weihang, et al.
Pubblicazione: (2026)

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

Optimizing LLMs with Direct Preferences: A Data Efficiency Perspective
di: Bernardelle, Pietro, et al.
Pubblicazione: (2024)

Query-driven Relevant Paragraph Extraction from Legal Judgments
di: Santosh, T. Y. S. S, et al.
Pubblicazione: (2024)

Exposing Product Bias in LLM Investment Recommendation
di: Zhi, Yuhan, et al.
Pubblicazione: (2025)

Zero-Shot Dense Retrieval with Embeddings from Relevance Feedback
di: Jedidi, Nour, et al.
Pubblicazione: (2024)

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

Explainable LLM-driven Multi-dimensional Distillation for E-Commerce Relevance Learning
di: Zhao, Gang, et al.
Pubblicazione: (2024)

Benchmarking LLM-based Relevance Judgment Methods
di: Arabzadeh, Negar, et al.
Pubblicazione: (2025)

Leveraging LLM-Assisted Query Understanding for Live Retrieval-Augmented Generation
di: Dong, Guanting, et al.
Pubblicazione: (2025)

GenQREnsemble: Zero-Shot LLM Ensemble Prompting for Generative Query Reformulation
di: Dhole, Kaustubh, et al.
Pubblicazione: (2024)

DocQAC: Adaptive Trie-Guided Decoding for Effective In-Document Query Auto-Completion
di: Mehta, Rahul, et al.
Pubblicazione: (2026)

Bias and Unfairness in Information Retrieval Systems: New Challenges in the LLM Era
di: Dai, Sunhao, et al.
Pubblicazione: (2024)

No Free Lunch in Active Learning: LLM Embedding Quality Dictates Query Strategy Success
di: Rauch, Lukas, et al.
Pubblicazione: (2025)

SPARQL-LLM: Real-Time SPARQL Query Generation from Natural Language Questions
di: Smeros, Panayiotis, et al.
Pubblicazione: (2025)

GOLFer: Smaller LM-Generated Documents Hallucination Filter & Combiner for Query Expansion in Information Retrieval
di: Liu, Lingyuan, et al.
Pubblicazione: (2025)

LightRetriever: A LLM-based Text Retrieval Architecture with Extremely Faster Query Inference
di: Ma, Guangyuan, et al.
Pubblicazione: (2025)

JurisTCU: A Brazilian Portuguese Information Retrieval Dataset with Query Relevance Judgments
di: Fernandes, Leandro Carísio, et al.
Pubblicazione: (2025)

A Human-AI Comparative Analysis of Prompt Sensitivity in LLM-Based Relevance Judgment
di: Arabzadeh, Negar, et al.
Pubblicazione: (2025)

When do Generative Query and Document Expansions Fail? A Comprehensive Study Across Methods, Retrievers, and Datasets
di: Weller, Orion, et al.
Pubblicazione: (2023)

Synthetic Prefixes to Mitigate Bias in Real-Time Neural Query Autocomplete
di: Rajan, Adithya, et al.
Pubblicazione: (2025)

Automated Query-Product Relevance Labeling using Large Language Models for E-commerce Search
di: Sachdev, Jayant, et al.
Pubblicazione: (2025)

Beyond Relevance: Utility-Centric Retrieval in the LLM Era
di: Zhang, Hengran, et al.
Pubblicazione: (2026)

MCERF: Advancing Multimodal LLM Evaluation of Engineering Documentation with Enhanced Retrieval
di: Khanghah, Kiarash Naghavi, et al.
Pubblicazione: (2026)

Training-Induced Bias Toward LLM-Generated Content in Dense Retrieval
di: Xion, William, et al.
Pubblicazione: (2026)

ADORE: Autonomous Domain-Oriented Relevance Engine for E-commerce
di: Fang, Zheng, et al.
Pubblicazione: (2025)

Spectral Tempering for Embedding Compression in Dense Passage Retrieval
di: Li, Yongkang, et al.
Pubblicazione: (2026)

Training for Compositional Sensitivity Reduces Dense Retrieval Generalization
di: Ralev, Radoslav, et al.
Pubblicazione: (2026)

Database-Augmented Query Representation for Information Retrieval
di: Jeong, Soyeong, et al.
Pubblicazione: (2024)

Take Care of Your Prompt Bias! Investigating and Mitigating Prompt Bias in Factual Knowledge Extraction
di: Xu, Ziyang, et al.
Pubblicazione: (2024)

Improve Rule Retrieval and Reasoning with Self-Induction and Relevance ReEstimate
di: Huang, Ziyang, et al.
Pubblicazione: (2025)

TaoSR1: The Thinking Model for E-commerce Relevance Search
di: Dong, Chenhe, et al.
Pubblicazione: (2025)

DRAMA: Unifying Data Retrieval and Analysis for Open-Domain Analytic Queries
di: Hu, Chuxuan, et al.
Pubblicazione: (2025)