WWWAug, 2016

无监督，高效和语义型专家检索

PDF
TL;DR本文引入了一种无监督的辨别模型，用于在线文档检索。我们仅使用文本证据，通过无监督学习分布式词表示来避免显式特征工程。我们将我们的模型与最先进的无监督统计向量空间和概率生成方法进行比较，并发现我们的模型在大多数情况下可以与监督方法匹配，且算法成本较低，因此可以取得与所谓的基于档案的方法相同的检索性能水平。
unsupervised discriminative modelonline document retrievaltextual evidencedistributed word representationsrelevance feedback
发现论文，激发创造
  • 在多维连续特征空间中寻找判别性词语

    使用单词特征向量以及无监督学习，提取文档中的独立特征词，构建文档特征向量，并在文本分类任务中证明了该方法的有效性。

    Nov, 2022

  • 基于排名的生成模型在 [CLS] 任务中的应用

    本研究旨在重新审视信息检索的生成式框架，并比较其与基于语义相似性的判别式模型在答案选择任务上的表现。同时，还展示了非似然损失对信息检索的有效性。

    Oct, 2020

  • 通过判别式摘要排序的多文档摘要

    本文提出了基于 ILP 框架提取每个文档集的一组候选摘要，然后利用排名 SVM 进行摘要重新排名的方法，结果通过 DUC 基准数据集验证了方法的有效性和鲁棒性。

    Jul, 2015

  • 无监督对比学习密集信息检索

    本文介绍一种无监督训练的密集感知器，使用对比学习 (contrastive learning) 的方法，提高了信息检索的性能，并在多语言检索中表现出强大的跨语言转移能力。

    Dec, 2021

  • 文本文件的变分深层语义哈希

    本文提出了一系列新颖的基于深度生成模型的文本哈希方法，并通过实验证明了深度学习在文本哈希中的有效性。

    Aug, 2017

  • 使用文档向量嵌入和深度学习进行法律文件检索

    本研究使用三种模型，分别基于向量空间表示法，将法律案例文档表示为不同的向量空间，并结合语义词度量和自然语言处理技术，展示了在信息检索过程中引入领域特定语义相似性测量的必要性，表明整合多种技术可显著提高信息检索的准确性，同时还展示了词相似度测量分布变化及文档向量维度变化对法律信息检索过程的影响，从而为信息检索提供了更好的方案。

    May, 2018

  • 学习无监督语义文档表示以进行细粒度的基于方面的情感分析

    本文提出了一个模型，克服了顺序和非顺序方法所遇到的困难，在情感分析任务和细粒度的基于方面的情感分析上取得了显著的优越性能。

    Jan, 2024

  • Lbl2Vec: 面向预定义主题的无监督文档检索基于嵌入的方法

    本文介绍了一种无监督方法，通过学习嵌入式文档和单词向量，从未标记的文档数据集中检索出预定义主题的文档，并可用于多类文档分类，使用 Lbl2Vec 工具可方便地复制此方法。

    Oct, 2022

  • 多标签文档分类的统计主题模型

    本文探讨生成性统计主题模型在多标签文档分类中的应用，相对于判别性模型，在包含大量稀有标签和高度倾斜标签分布等实际数据集的分类问题中有优越性。实验结果表明，相较于判别性方法，概率生成模型在多标签分类方面表现优异。

    Jul, 2011

  • 跨模态检索的判别式监督子空间学习

    本文提出了基于判别式监督子空间学习（DS2L）的异模检索方法，包括构建共享语义图以保留每种模态内的语义结构，引入 Hilbert-Schmidt 独立准则（HSIC）来保留样本特征相似性和语义相似性的一致性，同时引入相似性保持项以更好地保留每种模态内的语义结构，实验结果表明，该方法在三个公认的基准数据集上取得了显著的效果。

    Jan, 2022