大模型驱动的Query改写探索：PRF技术与论文解析

本文介绍了一篇典型的 PRF （
Pseudo-relevance feedback
）思路的论文，用于利用LLM来做query改写，提升召回率，召回效果。

论文地址：
Large Language Models are Strong Zero-Shot Retriever

一、PRF的流程

如下图所示，先用原始的query，进行一次召回。然后基于找回的10条文档，喂给模型，让模型生成5个答案。然后在用模型生成的答案做我新的query再做一次召回。最终得到最终的结果。

其中与模型交互的prompt如下

Give a question “{q}” and its possible answering passages (most of these
passages are wrong) enumerated as: \n 1.{cq
1} \n 2.{cq2} \n 3.{cq3} . . .
please write a correct answering passage.

二、论文中给出的结论

图a，是第一次检索召回的top文档数据，从图上可知，召回10条数据，效果最好。

图b，是验证了每次让模型生成的答案数量。论文给出的结论是，模型每次生成5个答案，效果趋向于稳定和最高。