Retrieving a Set, Not Independent Passages: Set-Level Compatibility Learning for Efficient Set Exploration
检索集合而非独立段落：集合级兼容性学习实现高效集合探索
🧭 集合级检索 · 多跳推理
Seoul National University
将多跳检索建模为查询-集合兼容性评分，用轻量自注意力和交叉编码器联合学习集合兼容性
📌 工作参考价值（4 点）
- 组合证据检索思路：在需要多个协同信息源的任务（如电商问答、客服多轮、Agent 工具调用）中，不要独立对每个文档/物品打分，而应评估集合级别的兼容性，避免局部最优导致的冲突或冗余。可借鉴 ParaSet 的轻量集合打分方式，在 bi-encoder 编码的向量上引入自注意力，高效评估候选集合的整体相干性。
- 训练目标迁移：将“完整兼容集合 > 残缺/噪音集合”的排序损失引入学习排序（LTR），可用于搭配推荐（如服装组合）、多创意组合评估等场景，让模型学会全局最优组合而非单物品最优。
- 异构检索器互补：ParaSet（快速探索）与 SetCE（精确重排）的组合效果优于单一检索器的更多召回，启发我们在多路召回融合中，有意识设计互补的检索器（如语义匹配 vs. 协同过滤），通过合并输出而非简单增加单个检索器的数量来提升效果。
- 工程实现参考：ParaSet 在预计算好的段落向量上做自注意力，无需重新编码，非常适合对延迟敏感的在线集合探索；类似思路可用于实时推荐中，对召回的物品集合基于已缓存 embedding 做兼容性快速打分。