uva-irlab-conv at SemEval-2026 Task 8: Multi-Turn RAG with Learned Sparse Retrieval and Listwise Reranking
基于学习稀疏检索和列表重排序的多轮RAG系统
🧭 多轮对话RAG · 稀疏检索 · LLM重排序
University of Amsterdam
结合学习稀疏检索与LLM重排序的多轮RAG管道，利用完整对话历史提升跨域泛化与鲁棒性
📌 工作参考价值
- 多轮对话历史的全上下文利用：使用LLM基于完整对话历史进行查询重写、重排序和生成，可迁移至电商客服/购物助手的多轮对话状态跟踪，提升连贯性。
- 学习型稀疏检索（LSR）的跨域泛化：在不同商品类目或业务场景下无需频繁微调，适合电商导购、售后等多种语域快速冷启动。
- 无法回答查询的识别与处理：在客服场景中可借鉴其拒答/转人工机制，提升系统安全性与用户体验。
- 列表式重排序增强候选质量管理：利用LLM长上下文进行listwise重排序，可在对话式推荐中对候选商品列表进行全局排序，提升推荐精度。
动机
多轮对话检索与问答面临历史信息累积、话题漂移和歧义等挑战，同时需识别无法回答的查询。SemEval-2026 Task 8评测涵盖金融、云文档、政府、维基等领域，要求系统在信息不足时恰当响应。
方法
提出多阶段RAG管道：(1) 对话查询重写：基于完整对话历史，用LLM将当前查询转为适合检索的表述；(2) 学习型稀疏检索（LSR）：作为主检索引擎，利用其跨域强泛化能力召回初始候选文档；(3) 两阶段LLM重排序：先进行pointwise评分，再对截断候选集进行listwise重排，充分利用LLM长上下文优势；(4) 最终响应生成：继续用LLM基于全历史及重排后的证据合成答案。所有步骤均显式嵌入对话历史，确保上下文一致性。
结果
在SemEval-2026 Task 8评测中表现稳健，尤其在需要跨域泛化和处理无法回答查询的场景下，该管道展现出较高的鲁棒性和端到端效果，验证了LSR与LLM重排序协同的有效性。