小红书精读：PDMR: Passage-Driven Multi-ID Document Retrieval

文档只配一个ID？PDMR拆段多ID

各位算法同学们，生成式检索里每个文档只绑定一个标识符，真的是最优解吗？PDMR这篇工作用实验回答：不是，把文档拆成段落、每个段落给一个ID，看起来绕路，反而能提升检索效果。

📄 PDMR: Passage-Driven Multi-ID Document Retrieval

🔧 大多数GR模型假设“一文档一ID”，把多面内容硬塞进一条序列里。PDMR先按语义把长文档切成小段落，再用LLM挑出关键片段，为每个片段生成标题式ID，相当于给文档开了多个访问入口。 🧩 训练时把相关文档的所有段落ID都当作合法目标，用加权多目标损失分散概率质量，消除一对多监督带来的歧义；推理时生成任意一个段落ID就能映射回原文档。 ⚙️ 和MINDER那种多视图描述不同，PDMR不是给整篇文档换花样，而是真正操作段落级语义单元，并且只做一次受约束解码，不额外增加推理开销。

📊 NQ320K上，PDMR在Recall@1和MRR@100上双双超过强生成式与非生成式基线。 📈 MS MARCO Document上，PDMR的Recall@1和MRR@10在报告方法中最高，Recall@10也保持在有竞争力的一档。 ✅ 消融实验显示，段落级监督、TC-ID标识符设计、训练查询增强、多目标学习这四个模块都能带来互补增益。

我觉得这套路适合长文档和弱标注场景，落地时的主要坑是前端的LLM切段和ID构建会引入额外成本，需要控制质量。复现时盯着Recall@1和MRR@10，同时调好多目标损失的权重，防止模型在多个候选ID之间摇摆。

原文：AlphaXiv