Implementation and evaluation of an Information Retrieval Model with an Open Source Large Language Model

Abstract

[Abstract]: Since the rise of the digital era, the amount of available information has grown expo- nentially, increasing the need for tools that help users efficiently find relevant information. To meet this demand, advanced Information Retrieval (IR) systems have been developed. In this context, Large Language Models (LLMs) have opened new possibilities for improving the interpretation and expansion of user queries. The objective of this project is to implement a system based on Generative Relevance Feedback (GRF), a technique that uses generative capabilities to refine initial queries and make them more precise. This differs from traditional methods like Pseudo-Relevance Feedback (PRF), which rely on initial retrieval results to ex- pand queries. The project compares these strategies using the Robust04 dataset, analyzing how GRF can address current challenges in IR.

[Resumen]: Desde el auge de la era digital, la cantidad de información disponible ha crecido exponen- cialmente, incrementando la necesidad de herramientas que ayuden a los usuarios a encontrar información relevante de forma eficiente. Para satisfacer esta demanda, se han desarrolla- do sistemas avanzados de Recuperación de Información. En este contexto, los Modelos de Lenguaje Grandes (LLMs) han abierto nuevas posibilidades para mejorar la interpretación y expansión de las consultas de los usuarios. El objetivo de este proyecto es implementar un sistema basado en Generative Relevance Feedback (GRF), una técnica que utiliza capacidades generativas para refinar las consultas iniciales y hacerlas más precisas. Esto difiere de mé- todos tradicionales como Pseudo-Relevance Feedback (PRF), que dependen de los resultados iniciales de recuperación para expandir las consultas. El proyecto compara estas estrategias utilizando el conjunto de datos Robust04, analizando cómo GRF puede abordar los desafíos actuales en Recuperación de Información.