文章预览
将大型语言模型（LLMs）作为 零样本段落排名器 研究越来越多，但是 大多集中在如何检索示例并直接使用top-k示例进行ICL， 忽略了示例之间的依赖性 ，这在少数样本（few-shot）的排序任务中可能导致性能不佳。 与选择前两个示范（z1和z2）相比， z1和z5的组合提供了更丰富和多样化的查询-段落关系 ，从而得出更好的相关性评估。 为了解决这一问题，提出了DemoRank框架， 它将示例选择问题转化为检索（retrieve）和重排（rerank）过程 。 DemoRank框架概述 。DemoRank由两个主要组件组成： DRetriever 和 DReranker 。使用LLM评分的示范候选来训练DRetriever，并构建一种依赖感知的训练样本来训练DReranker。在推理过程中，执行检索然后重新排名的流水线，并且使用重新排名后的前k个用于ICL。 示例池构建（Demonstration Pool Construction） ： 使用训练集构建示例池P，为每个
………………………………
