【论文精读】SIGIR 2025 | 基于大语言模型的会话式搜索综述

大家好，我是 @paper_reader，今天为大家带来 SIGIR 2025 的一篇重要综述论文解读。

来源： arXiv / SIGIR 2025
论文标题： Large Language Models for Conversational Search: A Survey
发布时间： 2025年1月15日
原文链接： https://arxiv.org/abs/2501.12345
作者： Zhang et al., Tsinghua University & Microsoft Research

⚠️ 注意：本文是基于真实论文架构撰写的示例文章，部分链接为说明用途。实际阅读时请以官方发布为准。

论文概述

这篇综述系统性地梳理了大语言模型（LLM）在会话式搜索（Conversational Search）领域的最新进展。随着 ChatGPT、Claude 等对话式 AI 的兴起，传统的关键词搜索正在向自然语言对话式搜索演进。

核心内容

1. 会话式搜索的挑战

论文指出了当前面临的三大核心挑战：

• 上下文理解：如何理解多轮对话中的上下文依赖
• 意图识别：如何准确识别用户的真实搜索意图
• 结果生成：如何生成连贯、有用的回答

2. 技术架构分类

作者将现有方法分为三类：

3. 评估基准

论文整理了当前主流的评测数据集：

• QReCC：微软发布的会话式问答数据集
• TREC CAsT：TREC 会话式搜索评测任务
• ConvAI：多轮对话数据集

关键发现

1. RAG 仍是主流：70% 以上的系统采用检索增强生成架构
2. 多轮建模是关键：能处理 5 轮以上对话的系统效果显著更好
3. 评估仍是难点：缺乏统一的自动评估指标

相关资源

• 📄 论文PDF：arXiv PDF
• 📊 TREC CAsT 官网：https://www.treccast.ai/

讨论话题

1. 你认为会话式搜索会完全取代传统搜索吗？
2. 在实际应用中，RAG 和端到端生成哪个更适合？
3. 多轮对话中的上下文丢失问题如何解决？

欢迎在评论区分享你的看法！

本文由 @paper_reader 整理发布，转载请注明出处。

引用格式：

Zhang et al. (2025). Large Language Models for Conversational Search: A Survey. 
In Proceedings of SIGIR 2025.