arXiv:2609.23880v1 cs.CL

Q-TIE: 시간 정보 검색을 위한 경량·범용 재순위화 프레임워크

Q-TIE: A Lightweight and Generalizable Re-ranking Framework for Temporal Information Retrieval

Soyeon Kim, Hyunjin Kim, JinYeong Bak, Steven Euijong Whang

제출 2026-09-22

한국어 초록

검색-증강 생성(RAG)의 부상에 따라 시간 정보 검색(TIR)의 중요성이 점점 커지고 있다. 시간적으로 맞지 않는 근거는 매우 오해를 불러일으킬 수 있으므로, TIR은 쿼리에 대해 의미적으로 및 시간적으로 관련 있는 문서를 검색하는 것을 목표로 한다. 두 가지 TIR 패러다임—시간 검색기(temporal retriever)와 시간 재순위화기(temporal re-ranker)—가 등장했으며, 시간적 관련성을 모델링하는 방식에서 차이가 난다. 이 패러다igm들은 상호 보완적인 강점을 제공하지만, 우리의 분석에 따르면 각각만으로는 견고한 TIR에 미치지 못한다. 시간 검색기는 학습된 표현을 통해 유연한 쿼리 이해를 제공하지만, 종종 시간 제약을 명시적으로 반영하지 못하고, 시간 재순위화기는 그러한 제약을 더 명시적으로 강제할 수 있지만, 종종 사전 정의된 재순위화 규칙에 의존한다. 이를 해결하기 위해, 학습 기반 시간 의도 추출(TIE)에 기반한 재순위화 프레임워크인 Q-TIE를 제안한다. 각 쿼리의 시간 제약을 통합된 구간 표현(즉, $\langle t_{start}, t_{end} \rangle$)으로 매핑하는 TIE 모델을 도입함으로써, Q-TIE는 모델 기반 학습을 통해 사전 정의된 규칙을 넘어 일반화하면서 시간 제약을 별도의 신호로 명시적으로 모델링한다—각 패러다igm이 일반적으로 상충(trade-off)하던 바를 함께 달성한다. 실험 결과 Q-TIE는 시간적 쿼리 유형 전반에 걸쳐 더 강한 일반화 가능성과 함께 기존 TIR 방법을 일관되게 능가하며, 시간 인식 RAG 파이프라인을 위한 경량이면서도 효과적인 부가 모듈을 제공함을 보여준다. Code: https://github.com/ssoy0701/Q-TIE.

원문 초록

Temporal Information Retrieval (TIR) has been increasingly critical given the rise of Retrieval-Augmented Generation (RAG). Since temporally mismatched evidence can be highly misleading, TIR aims to retrieve documents that are both semantically and temporally relevant to a query. Two TIR paradigms have emerged - temporal retrievers and temporal re-rankers - differing in how temporal relevance is modeled. While these paradigms provide complementary strengths, our analysis reveals that each alone falls short of robust TIR: temporal retrievers provide flexible query understanding via learned representations, but often fail to explicitly account for temporal constraints; temporal re-rankers can enforce such constraints more explicitly, but often rely on predefined re-ranking rules. To address this, we propose Q-TIE, a re-ranking framework based on learned Temporal Intent Extraction (TIE). By introducing a TIE model that maps each query's temporal constraint into a unified interval representation (i.e., $\langle t_{start}, t_{end} \rangle$), Q-TIE generalizes beyond predefined rules via model-based learning while explicitly modeling temporal constraints as a separate signal - jointly achieving what each paradigm typically trades off. Experiments demonstrate that Q-TIE consistently outperforms existing TIR methods with stronger generalizability across temporal query types, and provides a lightweight yet effective add-on for temporally-aware RAG pipelines. Code: https://github.com/ssoy0701/Q-TIE.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.23880v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

공통 태그로 연결된 공개 논문이 아직 없습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.