Nov, 2017

基于深度相关匹配的 Ad-hoc 检索模型

PDF
TL;DR该研究提出了一种基于深度神经网络的 DRMM 模型，旨在解决 ad-hoc retrieval task 中的 relevance matching 问题，经过在 benchmark collections 上的实验，结果表明该模型明显优于一些知名的检索模型和当前最先进的深度匹配模型。
deep neural networksad-hoc retrieval taskrelevance matchingdrmmbenchmark collections
发现论文，激发创造
  • 关于 Ad-hoc 检索中 MatchPyramid 模型的研究

    研究了深度匹配模型 MatchPyramid 在文本检索任务上的应用，并评估了不同池化大小、交互函数和内核大小对检索性能的影响，结果表明 MatchPyramid 模型可以在检索任务中明显优于几种深度匹配模型，但仍无法与传统的 BM25 和语言模型竞争。

    Jun, 2016

  • 广告检索中多样化关联模式建模

    本文提出了一种数据驱动的方法，使用分层神经匹配模型（HiNT）来建立不同粒度的相关信号，以便在广泛的语义匹配中自适应的估计查询和文档之间的相关性。研究结果表明，我们的 HiNT 模型在基准自适应检索数据集上优于现有最先进的检索模型。

    May, 2018

  • 增强文档 - 查询交互的深度相关性排名

    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

  • 域和相关性分离建模用于可适应的密集检索

    提出一种名为 Disentangled Dense Retrieval（DDR）的新型 Dense Retrieval 框架来支持 DR 模型的有效和灵活的领域自适应，该框架包括一个 Relevance Estimation Module（REM）和几个 Domain Adaption Modules（DAMs），通过使 REM 和 DAMs 分离，DDR 实现了一种灵活的训练范式，在不同的领域和语言中都表现出比强大的 DR 基线更好的排名性能。

    Aug, 2022

  • 利用语义和词汇匹配提高文档检索系统召回率：一种混合方法

    本文研究将深度神经网络模型与词汇模型相结合应用于搜索引擎的检索阶段，并在 TREC 数据集上进行了实证研究，结果表明该方法得到了很好的效果，并揭示了语义方法、词汇方法以及二者结合的不同特点。

    Oct, 2020

  • DEIM：一种有效的句子匹配深度编码与交互模型

    通过深度编码和交互来提取深层语义信息的句子匹配方法，使用自注意机制和双向注意机制获得深层语义信息并进行分类，适用于文本蕴含识别、释义识别和答案选择，实验证明其可有效提取深层语义特征并验证其在句子匹配任务中的有效性。

    Mar, 2022

  • 在信息交互对话系统中使用深度匹配网络和外部知识进行响应排名

    该研究提出了一种在深度神经匹配网络上利用外部知识进行响应排序的学习框架，实验证明，该方法在包括商业数据在内的三个信息寻求对话数据集上优于各种基线模型，包括多个深度文本匹配模型和多轮对话响应选择的最新方法。

    May, 2018

  • DeepRank：信息检索中新的相关性排序深度架构

    本文提出了一种新的深度学习体系结构 DeepRank，以模拟人类判断过程来进行信息检索中的相关性排名，并使用卷积神经网络（CNN）或二维门控循环单元（2D-GRU）来确定本地相关性和产生全局相关性分数。通过在基准 LETOR 数据集和大规模点击数据上的实验证明了 DeepRank 在精确 / 语义匹配信号，接近启发式，查询术语的重要性和不同的相关性要求等方面能够显著优于学习排名方法和现有的深度学习方法。

    Oct, 2017

  • 对话中问题检索和下一问题预测的神经匹配模型

    本论文介绍了利用深度神经网络训练的神经匹配模型来解决提问检索和会话中的下一个问题预测的任务，并进行了实验和评估，证明神经匹配模型在这两个任务中表现良好。

    Jul, 2017

  • 基于注意力自编码器的无监督问题检索模型

    本文提出一种新的无监督框架 RAMN 用于计算两个问题之间的语义匹配，并利用注意力自编码器生成问题的语义表示。该方法在 SemEval-2016 和 SemEval-2017 的实验数据集中比有监督方法更具竞争力并取得了更好的性能。

    Mar, 2018