Co-PACRR:面向上下文的神经信息检索模型
本研究提出了一种名为 PACRR 的新型神经 IR 模型,旨在更好地建模查询和文档之间的位置相关交互,实验结果表明,该模型在多个基准测试下都得到了更好的结果。
Apr, 2017
本文通过可视化中间层输出和分析中间权重与最终相关性分数之间的关系,旨在探究最近提出的神经 IR 模型 PACRR 模型的内部运作机制,并提供对广泛应用有用的几点见解。
Jun, 2017
本文基于 Guo 等人 (2016) 的深度相关匹配模型 (DRMM),探讨了几种新的文件相关性排序模型。加入上下文有关的编码,包括多视图的查询和文档输入,测试证明新模型优于 BM25,DRMM 和 PACRR。
Sep, 2018
本文提出了一种上下文感知的神经排序模型,通过引入两级分层循环神经网络对查询、搜索任务进行搜索上下文表示的学习,并结合文档排序和查询建议两个伴随的检索任务来提高检索性能,并在循环状态的两个级别上引入注意力机制来识别搜索上下文和用户正在进行的搜索活动之间的可变依赖结构。通过丰富的实验比较以及深入的消融分析,证实我们所提出的方法对于建模搜索任务中隐藏的搜索上下文具有价值。
Jun, 2019
该论文提出了一种新的上下文感知用户行为建模思路,通过包含完整页面上暴露的产品和相应的反馈作为上下文的页面级反馈序列,可以捕捉到页面内上下文信息和页面间兴趣演化,以学习更具体的用户偏好。作者设计了一种采用页面上下文感知注意力的新型神经排序模型 RACP,使用递归注意过程来建模页面间的兴趣收敛演化,实验在公开数据集和真实工业数据集上验证了该模型的有效性。
Mar, 2022
本文通过使用音频特征和序列聚合方法来提高音频 - 文本对齐的准确性,并观察到在上下文检索中,语义映射比时间关系重要。结果表明,该系统在所有指标上均显著提高了双向音频文本检索。
Mar, 2022
本文介绍了一种上下文集成循环神经网络 (Context Integrated RNN, CiRNN) 模型,用于处理含有传感器数据和上下文信息的数据,在引擎健康预测领域的实验中表现出比现有模型 39% 和 87% 的示范性改进,特别是在使用非对称分数函数作为测量指标时。
Jan, 2023
这篇论文提出了一种基于神经网络的自动文献摘要生成方法,使用 seq2seq 模型和上下文感知机制,同时考虑全文和参考文献的异构关系,以保持相关工作部分和目标文献的主题连贯性,并在大规模数据集上获得了优越的实验结果。
Jan, 2019
本文探讨了一种简单而有效的以解耦编码器解码器为基础的架构来将外部语境整合到语言模型中,从而提高参数效率、可解释性和模块化;研究表明,这种架构在自回归语言模型和开放领域问答任务中表现出竞争力,并进行了具体分析。同时,我们还探讨了增强检索模型的计算含义。
Oct, 2022