AAAIFeb, 2019

基于领域泛化视角的列表上下文建模

PDF
TL;DR本文提出了一种领域泛化策略解决学习排名问题，使用 Query-Invariant Listwise Context Modeling （QILCM）神经架构，该架构通过学习查询不变的潜在表示来消除查询间的可变性，从而在基准数据集上比之前最先进的方法表现更好。
learning-to-rankletorquery-invariant listwise context modelingneural architecturedomain generalization
发现论文，激发创造
  • 学习深度列表上下文模型用于排序细化

    本研究提出了一种基于序列神经网络和局部排名上下文的深度列表上下文模型，通过对排名结果的特征分布的学习来优化初始的排名列表，实验结果证明该模型在标准的信息检索领域中显著提高了学习排序方法的表现。

    Apr, 2018

  • 电商搜索学习排序应用

    本文探讨了将 Learning to Rank 方法应用于 E-Com search 中的实际挑战，提供了一些优化方法和实验结果，包括利用产品项上的人气特征和减少查询属性稀疏性的特征选择，以及选择订购率作为训练目标。

    Mar, 2019

  • RankFormer：采用列表标签的列表排序学习

    提出使用 RankFormer 架构来从用户的绝对反馈中学习列表的总体质量并优化排序，模拟的公共数据集与 Amazon 搜索数据集的离线实验结果表明 RankFormer 优于所有基线；通过知识蒸馏可立即在在线实验中使用

    Jun, 2023

  • 自我关注的上下文感知学习排名

    提出了一种基于自注意力机制的上下文感知神经网络模型，用于学习商品的排序分数，在训练和推理阶段都考虑了列表中其他商品的交互作用，相较于多层感知机模型，取得了显著的性能提升，在排序学习基准 MSLR-WEB30K 上实现了新的最佳结果。

    May, 2020

  • 基于大型语言模型的零样本列表式文档重排序

    在 TREC 网络搜索数据集和 MIRACL 跨语言数据集上，使用无需特定任务训练数据的 Listwise Reranker with a Large Language Model (LRL) 可以作为第一阶段和最终阶段的重新排序方法，在多层文本排序任务中取得了强大的效果。

    May, 2023

  • DQ-LoRe: 双查询经过低秩近似重排序进行上下文学习

    通过利用双重查询和低秩逼近重排 (DQ-LoRe) 框架自动选择实例来进行上下文学习，我们展示了 DQ-LoRe 明显优于先前最先进方法，在 GPT-4 的实例自动选择中将性能从 92.5% 提升到 94.2%。我们的综合分析进一步揭示了 DQ-LoRe 在性能和适应性方面始终优于基于检索的方法，特别是在分布转移情景下。 DQ-LoRe 推动了上下文学习的界限，为解决复杂的推理挑战开辟了新的途径。

    Oct, 2023

  • 使用 Bregman 散度和单调重新定向学习排序

    该论文介绍了一种基于单调重定位的学习排序方法，它最小化了训练得分的所有单调递增转换和参数化预测函数之间的差异，该方法可轻松实现，可高效并行，同时也具有全局最优保证。

    Oct, 2012

  • 学习列表级领域不变表示以进行排名

    对排名问题进行领域适应的方法是通过学习列表级领域不变特征表示来实现的。理论上，我们建立了一个适用于 MRR 和 NDCG 等列表度量的领域适应泛化界限。通过对真实世界排名任务的无监督领域适应实验表明了其效果。

    Dec, 2022

  • 基于 LLM 的排行榜生成中的有效上下文选择：一项实证研究

    通过选择适当的上下文，提高大规模语言模型在生成人工智能研究排行榜方面的效率，并解决了介绍的方法在适应新发展方面超过传统自然语言推理方法的问题。实验证明了有效的上下文选择在提高语言模型精确性和减少错觉方面的重要性，并为可靠高效生成人工智能排行榜提供了新途径。

    Jun, 2024

  • 基于 LLM 的上下文感知查询重写文本排名器

    采用上下文感知查询重写的方法，通过使用大语言模型进行查询理解并对排序器进行微调，能够显著提高查询重写对排名任务的性能。

    Aug, 2023