本研究总结了当前神经信息检索研究的情况,特别关注了问题和文档的学习性表示(即神经嵌入),强调了神经信息检索目前的成功之处,列出了其更广泛采用的障碍,并建议未来研究的潜在方向。
Nov, 2016
本研究论文旨在向初学者和有经验的研究人员介绍当前 IR 问题的深度学习中的神经方法,并涵盖了关键架构和最有前途的未来方向。
Jul, 2017
本文介绍了神经信息检索模型以及基础概念和直觉,包括传统的学习排序模型的学习技术和基于神经网路以原始文本学习语言表示的自然语言处理方法。同时,也简单介绍了浅层和深度的神经网络以及目前的深度神经网络检索模型,并探讨了神经信息检索未来的发展方向。
May, 2017
该研究论文主要讨论了信息检索中的排名模型如何应用传统启发式方法、概率方法和现代机器学习技术等技术构建,并重点介绍了基于浅层或深层神经网络的神经排名模型,分析了其基本原理和学习策略,并通过基准测试比较了这些模型,最后探讨了当前文献中存在的问题以及未来的发展方向。
Mar, 2019
本篇论文提出三个方面的方法,包括新的模型架构、IR 导向的预训练任务、生成大规模训练数据,以解决神经检索器面临的问题,并探讨了多模式查询的未来研究方向和相应的解决方法。
May, 2022
信息检索系统和大型语言模型的融合,包括关键方面,如查询重写、检索、重新排序和阅读器,在这一快速发展的研究领域中提供全面的概述和深入的见解。
Aug, 2023
本文研究表明,深度神经网络在语音识别任务中比浅层网络和高斯混合模型表现得更好,这是因为它们具有提取具有鲁棒性的区分性内部表示的能力。此外,我们表明 DNN 不能推广到与训练样本差异显著的测试样本,但是,如果训练数据足够代表性,DNN 的内部特征相对于说话人差异、带宽差异和环境失真是相对稳定的。这种稳定性使得基于 DNN 的识别器在不需要显式模型适应或特征归一化的情况下表现得和基于 GMMs 或浅层网络的现有系统一样好甚至更好。
Jan, 2013
论文研究了信息检索系统不仅可以检索与查询相关的信息,而且可以将其 “理解” 并综合成一个单一的文档,使用递归神经网络进行深度学习来人工合成文档,通过众包实验评估文档的相关性。
Jun, 2016
本文综述了近年来自然语言处理和信息检索领域的深度学习模型在压缩方面的六种方法,并探讨了构建高效、小型模型的重要性以及相关研究成果。
Aug, 2020
本研究旨在提高神经检索器在生物医学领域中的表现,提出了模板问题生成方法、两个新的预训练任务以及多维语境表示(Poly-DPR)技术,并通过 BioASQ 挑战实验证明该方法在小语料库方面超越目前的神经方法和 BM25。
Jan, 2022