本文介绍了一篇典型的 PRF （Pseudo-relevance feedback ）思路的论文，用于利用LLM来做query改写，提升召回率，召回效果。
论文地址：Large Language Models are Strong Zero-Shot Retriever
一、PRF的流程
如下图所示，先用原始的query，进行一次召回。然后基于找回的10条文档，喂给模型，让模型生成5个答案。然后在用模型生成的答案做我新的query再做一次召回。最终得到最终的结果。
其中与模型交互的prompt如下
Give a question “{q}” and its possible answering passages (most of these
passages are wrong) enumerated as: \n 1.{cq
1} \n 2.{cq2} \n 3.{cq3} . . .
please write a correct answering passage.二、论文中给出的结论
图a，是第一次检索召回的top文档数据，从图上可知，召回10条数据，效果最好。
图b，是验证了每次让模型生成的答案数量。论文给出的结论是，模型每次生成5个答案，效果趋向于稳定和最高。
三、PRF的效果如何？
相比较BM25，提升了15%-20%
四、论文中提到PRF的弊端
如果第一次检索的数据质量很差，则召回效果会更差。 并在论文中指出，应该更多地关注引入多种检索方法来实现多样性。从而避免引入噪音数据而影响最终的召回结果。
五、论文中提到了LLM能力对改写的影响
对比了chatGPT3.5 和chatGPT4
为了进一步验证我们的LameR是否会受益于更强的LLM，我们在LameR框架中涉及前沿LLMGPT-4，并将其应用于DL20数据集，因为它在GPT-3.5的主要评估结果不够优越。如表5所示，在应用GPT-4后，我们的检索方法取得了显著的高性能。
六、论文中对比了 利用BM25召回还是用向量做召回
如下图所示，论文中给出，在PRF下，使用向量检索的召回效果，要优于Bm25的召回效果。
