Group-Aware Adaptive Retrieval for Evidence Navigation
群组感知的自适应证据导航检索
🧭 自适应检索 · 组级扩展 · 推理密集检索 ★ 深度解读
Sungkyunkwan University
用组级方向评估替代文档级扩展，结合探索-利用策略提升推理密集检索中的有界召回问题
📌 工作参考价值（4 点）
- 在电商/内容推荐中，可借鉴离线对物品图做社区检测得到语义簇，并用LLM为每个簇生成摘要，作为粗粒度召回方向。相比逐item扩展，簇级信号能更早发现远处相关物品，减少初期弱信号下的迷航。
- 采用explore-then-exploit策略：召回初期用round-robin从多个高分组簇各取少量物品，避免过早集中在单一簇；后期集中到强相关簇。该策略适合搜索推荐中的多路召回融合，前期保多样性，后期聚焦头部。
- 分离粗粒度方向评估与细粒度相关性排序：navigator用较小的reranker模型（如Qwen3-Reranker-4B）评估组摘要，主reranker用大模型精排文档。工程上可并行执行，且实验表明小模型足够做方向判断，可节省大量推理成本。
- group-driven evidence propagation后处理：对同簇内高排名文档赋予衰减权重，并传播给簇内其他文档。可类比电商推荐中的类目内协同过滤，利用头部商品带动长尾商品得分，提升召回排序质量。