EMNLPOct, 2018

NPRF: 用于 Ad-hoc 信息检索的神经假相关反馈框架

PDF
TL;DR本文提出了一个端到端的神经伪相关反馈（PRF）框架，通过将不同的神经模型嵌入到建筑块中，可以与现有的神经信息检索模型一起使用来改善它们的性能。在两个标准测试集上的广泛实验证实了提出的 NPRF 框架在改善两个最先进的神经 IR 模型的性能方面的有效性。
pseudo-relevance feedbackneural retrieval modelsinformation retrievalquery-document vocabulary mismatchesend-to-end neural prf framework
发现论文，激发创造
  • 采用深度语言模型和密集检索器的伪相关反馈：成功与困难

    本文研究了将 Pseudo Relevance Feedback 方法集成到基于深度语言模型的 rerankers 和 dense retrievers 中的方法，并对基于文本和向量的 PRF 方法进行了考虑和评估。在四个数据集和两个任务设置下进行了广泛的实证评估。结果表明，vector-based PRF 方法有效提高了 deep rerankers 和 dense retrievers 的检索和排名效果。

    Aug, 2021

  • 基于伪相关反馈的密集检索查询表示：重现性研究

    本文研究了基于稠密循环器的 Pseudo-Relevance Feedback (PRF) 方法，并探讨了其在不同情况下如何提高搜索效果，包括训练过程、推理过程和使用不同的稠密循环器。

    Dec, 2021

  • APRF-Net: 基于注意力机制的伪相关反馈网络用于查询分类

    本文提出了一种名为 APRF-Net 的神经模型，将伪相关反馈（PRF）方法应用于查询分类中，以改善较为罕见的查询的表现，通过实验结果表明，这种模型可以显著提高查询分类效果。

    Apr, 2021

  • LoL: 伪相关反馈的查询重构损失与比较正则化损失的比较

    提出了一种名为 Loss-over-Loss (LoL) 的框架，该框架通过在训练期间比较不同查询的重制损失来区分相关和不相关信息，并通过惩罚使用更多反馈但获得更大损失的修订来实现比较正则化，以提高伪相关反馈的效率。

    Apr, 2022

  • 使用伪相关反馈技术改进密集检索的查询表示

    本文提出了一种新的查询编码器 ——ANCE-PRF，利用伪相关反馈（PRF）来改进稠密检索的查询表示，使用 BERT 编码器消耗查询和从密集检索模型中检索到的顶级文档，直接从相关标签中产生更好的查询嵌入。

    Aug, 2021

  • 选择查询包作为信息寻求对话中的伪相关反馈

    本论文提出了一种 Query-bag 基于伪相关反馈的框架（QB-PRF），通过构建与查询相关的查询包作为伪信号来指导信息检索对话，采用对比学习训练无监督方式中的同义查询选择模块（QBS），通过多维注意力计算融合同义查询的查询包融合模块（QBF），验证其在两个预训练骨干模型（BERT 和 GPT-2）上的优越性能。实验结果表明，QB-PRF 框架在两个基准数据集上的表现比强基线模型更好。

    Mar, 2024

  • 基于伪相关反馈的多重表示密集检索

    本研究探讨了基于伪相关反馈的多重嵌入密集检索方法的潜力。通过从第一遍密集检索中确定的伪相关文件集中提取代表性反馈嵌入，然后将其添加到查询表示中，证明了这些附加反馈嵌入不仅能够提高重新排序的有效性，还能提高附加密集检索操作的效率。

    Jun, 2021

  • 利用有限样本文档重新排序，加入相关反馈来改进信息检索

    本研究探讨如何将相关性反馈直接集成到神经重排模型中，使用 kNN 方法和交叉编码器模型，通过在现有信息检索数据集上的实验，证明了这种方法能够大幅提高神经重排模型的性能。

    Oct, 2022

  • 神经信息检索推理时重排反馈

    本文提出了利用轻量级的推理，将 re-ranker 的命中率反馈给 retriever 的方法，从而提高检索召回率。实验证明，此方法在多个领域、语言和模态下均明显提高了检索召回率。

    May, 2023

  • 针对召回导向的神经信息检索的相关性反馈策略

    通过基于 BERT 的密集向量搜索产生的相关排名，并基于累积求和的查询和选择的嵌入，我们提出了一种更注重召回率的减少审核工作量的方法，该方法可与基线方法相比，以固定的召回目标为基础，减少 17.85% 至 59.04% 的审核工作量。

    Nov, 2023