La recherche conversationnelle est une tâche qui vise à retrouver des documents à partir de la question
courante de l'utilisateur ainsi que l'historique complet de la conversation. La plupart des méthodes
antérieures sont basées sur une approche multi-étapes reposant sur une reformulation de la question.
Cette étape de reformulation est critique, car elle peut conduire à un classement sous-optimal des do-
cuments. D'autres approches ont essayé d'ordonner directement les documents, mais s'appuient pour
la plupart sur un jeu de données contenant des pseudo-labels. Dans ce travail, nous proposons une tech-
nique d'apprentissage à la fois “légère” et innovante pour un modèle contextualisé d'ordonnancement
basé sur SPLADE. En s'appuyant sur les représentations parcimonieuses de SPLADE, nous montrons
que notre modèle, lorsqu'il est combiné avec le modèle de ré-ordonnancement T5Mono, obtient des
résultats qui sont compétitifs avec ceux obtenus par les participants des campagnes d'évaluation TREC
CAsT 2020 et 2021. Le code source est disponible sur https://github.com/anonymous.