新智元报道
编辑：桃子好困
刚刚，信息检索领域的国际顶会 SIGIR 2024，公布了最终获奖结果。在所有获奖名单中，来自清华计算机系的团队们斩获了两大奖项——时间检验奖、最佳论文奖，实至名归！
一年一届的信息检索领域顶会 SIGIR 2024，终于开奖了！
今年，SIGIR 组委会暂未汇总公布所有的获奖名单，不过已经有机构/网友纷纷晒出了自己的成绩单。
值得一提的是，清华计算机系今年一次摘得多项大奖：
2014 年发表的论文斩获 SIGIR 2024 唯一「时间检验奖」，另一篇论文获得「最佳论文奖」。
网友对此表示热烈祝贺，「实至名归」！
另外，CS 系助理教授艾清遥还获得了「青年学者奖」，这也是中国大陆研究学者首次拿下该奖项。
除清华艾清遥之外，还有微软研究院 Bhaskar Mitra、拉德堡德大学 Harrle Oosterhuis，以及中科大 Xiang Wang 教授（王翔）成为青年学者奖的获奖者！
此外，还有社区奖、DEI 奖的三位获奖者。
今年，是国际计算机学会信息检索大会（SIGIR）第 47 届会议，于 7 月 14 日-18 日在美国华盛顿特区正式召开。
这次会议共收到 1148 篇投稿，其中有 791 篇是有效投稿，仅有 159 篇长文被录用，录用率为 20.1%。相较于 CVPR、ICML 这样的顶会，投稿数少了一大截。
根据艾清遥对接受论文的统计，从各研究机构教师的论文数量来看，今年亚洲的贡献似乎最大。
接下来，一起看看大家的获奖成果。
清华 CS 系抱走两项大奖
最佳论文奖——Scaling Laws For Dense Retrieval
这篇获奖论文，由共同一作方言、詹靖涛，指导老师艾清遥助理教授、刘奕群教授完成的论文。
这是来自中国大陆的研究机构首次牵头获得该奖项。
论文地址：https://dl.acm.org/doi/abs/10.1145/3626772.3657743
Scaling Law 早已成为大模型公认的定律，即 LLM 智能水平与参数规模呈正相关性，成为大模型区别于传统 AI 模型的重要特征。
然而，这一定律是否适用于其他深度神经网络模型，仍旧存在巨大的争论。
在这项研究中，作者针对这一问题展开了深入的研究。
他们设计了新型检索性能评价范式，验证了 Scaling Law 在稠密信息检索中的适用性。
这对搜索引擎、推荐系统等信息检索系统的设计，将发挥重要的指导作用。
时间检验奖——Explicit factor models for explainable recommendation based on phrase-level sentiment analysis
时间检验奖，通常颁给 10 年以上的产生重要持久影响的学术论文。
这篇发表在 2014 年的论文，由时任计算机系张永锋博士、赖国堃等学生，在张敏教授、刘奕群教授、马少平教授指导下完成。
清华官微称，自 2014 年以来，这项「可解释性推荐」研究自发表以来，在互联网推荐系统的设计与实现中一直发挥着重要的引领作用。
正如论文题目所示，研究中首次定义了「可解释性推荐」的问题。
同时，研究人员设计了相应的情感分析算法，以解决这一技术挑战，
论文地址：https://dl.acm.org/doi/10.1145/2600428.2609579
根据 Google Scholar 的统计，截至目前，这篇论文被引数近千次。
其他奖项
最佳论文提名
来自山东大学、莱顿大学、阿姆斯特丹大学的研究人员发表的论文——Generative Retrieval as Multi-Vector Dense Retrieval，获得了最佳论文提名。
研究中，作者介绍了生成式检索在给定查询的情况下，使用序列-序列架构，以端对端的方式生成相关文档的标识符。
当前，生成式检索与其他检索方法（尤其是密集检索）的关系尚未完全清晰。
先前的研究发现，使用原子标识符的生成式检索，等同于单向量密集检索。然而，以前的研究仅关注检索阶段，而未考虑生成式检索解码器内部的深层交互。
本文通过证明生成式检索和多向量密集检索，共享衡量文档与查询相关性的框架来填补这一空白。
论文地址：https://arxiv.org/pdf/2404.00684
最佳论文奖亚军
还有一篇来自格拉斯哥大学和比萨大学的研究人员发表的 A Reproducibility Study of PLAID，获得了最佳论文奖亚军。
此前研究中，ColBERTv2 的 PLAID（Performance-optimized Late Interaction Driver）算法，使用聚类的术语表示来检索和逐步筛选文档，以进行最终（精确）的文档评分。
最新论文，研究人员重现了原始工作，并填补了其中的空白。
通过研究 PLAID 引入的参数，作者发现了其帕累托前沿（Pareto frontier）是由三个参数之间的精心平衡形成的。
而超出建议设置的偏差可能会大幅增加延迟，而不一定能提高其效果。
之后，研究比较了 PLAID 和对 BM25 结果进行重新排序的方法，在低延迟情况下，重新排序方法表现更好。但在高延迟情况下，重新排序方法难以达到最佳效果。
论文地址：https://arxiv.org/pdf/2404.14989
最佳短论文奖
来自马萨诸塞大学阿默斯特分校的研究人员发表的 Evaluating Retrieval Quality in Retrieval-Augmented Generation，获得了本届 SIGIR 最佳短论文奖。
这篇获奖论文，仅有 6 页。
研究中，提出了一种全新的评估检索增强生成（RAG）系统的方法，名为 eRAG。
之所以提出全新的方式，是因为当前 RAG 系统评估面临着挑战。
论文地址：https://arxiv.org/pdf/2404.13781
一是传统的端到端评估方法计算成本高，另一个是基于查询-文档相关性标签的检索模型评估，与 RAG 系统的下游性能相关性较小。
eRAG 方法可以将检索列表中的每个文档，都被单独输入到 RAG 系统的大模型中，针对每个文档生成的输出都基于下游任务的真实标签进行评估。
结果显示，eRAG 显著改善了运行时间。相较于端到端的评估，GPU 内存消耗减少了最多 50 倍。
参考资料：
https://x.com/thudcst/status/1813395091723272199
