Xetrieval: Mechanistically Explaining Dense Retrieval
Xetrieval：机械式解释密集检索决策
🧭 密集检索可解释性 · 嵌入空间
Beihang University · BIGAI
提出嵌入空间内推理内部化与稀疏特征分解框架，首次实现密集检索个体决策的机械式可解释性
📌 工作参考价值（4 点）
- 检索模型透明度提升：借鉴推理内部化思想，可在推荐双塔模型的嵌入层注入轻量级推理路径，使查询-物品相似度计算附带可追溯的推理痕迹，便于线上调试与审计。
- 特征级归因与干预：利用稀疏可解释特征重叠解释单个配对决策，可迁移至电商搜索或推荐系统的归因分析，定位具体特征对匹配结果的贡献，并通过特征引导调整检索偏好（如强调品牌匹配或价格敏感度）。
- 在线系统友好设计：推理内部化避免自回归生成，仅需额外单次前向传播，适合对延迟敏感的在线检索与推荐服务，可直接在现有双塔模型基础上微调部署。
- 任务级特征操控：在电商多域场景中，可对检索模型进行特征级方向控制，快速适配不同业务目标（如新品冷启动时侧重“新颖性”特征），无需重新训练。