计算机应用

作者：谢欣冉, 崔喆, 陈睿, 彭泰来, 林德坤

单位：1.中国科学院 成都计算机应用研究所，成都 610213；2.中国科学院大学，北京 100049

关键词：大语言模型,零样本学习,重排序,信息检索,提示工程

基金：四川省自然科学基金资助项目(2024NSFSC0004)

针对大语言模型（LLM）在零样本重排序任务中存在的标签语义理解不足、关系建模模糊和计算成本过高的问题，提出基于层次过滤与标签语义扩展的重排序方法HFLS （Hierarchical Filtering and Label Semantics）。该方法构建多级标签语义扩展路径，并设计“关键词匹配→语义关联→领域知识整合”的递进式提示策略引导LLM实现深度相关性推理；同时，引入分层过滤机制，在降低计算复杂度的同时保留高潜力候选文档。实验结果表明：在TREC-DL2019等7个基准数据集上， HFLS相较于Pointwise.qg、Pointwise.yes_no和Pointwise.3Label等Pointwise方法的NDCG@10（归一化折损累积增益）指标分别平均提升了21.92%、13.43%和8.59%；而在推理效率方面， HFLS的单个查询处理时延较Listwise方法、Pairwise方法和Setwise方法分别降低了91.06%、68.87%和33.54%。

来源：2026年第1期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第1期