Mar, 2019

深入研究信息检索中的神经排名模型

PDF
TL;DR该研究论文主要讨论了信息检索中的排名模型如何应用传统启发式方法、概率方法和现代机器学习技术等技术构建，并重点介绍了基于浅层或深层神经网络的神经排名模型，分析了其基本原理和学习策略，并通过基准测试比较了这些模型，最后探讨了当前文献中存在的问题以及未来的发展方向。
发现论文，激发创造
  • 信息检索的神经模型

    本文介绍了神经信息检索模型以及基础概念和直觉，包括传统的学习排序模型的学习技术和基于神经网路以原始文本学习语言表示的自然语言处理方法。同时，也简单介绍了浅层和深度的神经网络以及目前的深度神经网络检索模型，并探讨了神经信息检索未来的发展方向。

    May, 2017

  • 信息检索的神经网络

    本研究论文旨在向初学者和有经验的研究人员介绍当前 IR 问题的深度学习中的神经方法，并涵盖了关键架构和最有前途的未来方向。

    Jul, 2017

  • 神经信息检索：文献综述

    本研究总结了当前神经信息检索研究的情况，特别关注了问题和文档的学习性表示（即神经嵌入），强调了神经信息检索目前的成功之处，列出了其更广泛采用的障碍，并建议未来研究的潜在方向。

    Nov, 2016

  • 神经排名模型的鲁棒性如何？

    本文就神经排序模型的鲁棒性进行了全面研究，提出了三种不同定义下的 5 种鲁棒性任务，并在相关基准数据集上进行了实验验证，结果表明神经排序模型在多数情况下不如传统排序模型鲁棒，但在少数任务中仍然具有优势。

    Aug, 2021

  • 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

  • 神经信息检索与图嵌入相遇：产品搜索排序模型

    本文介绍了一种利用图嵌入技术使神经信息检索模型可以利用图结构数据进行自动特征提取的方法，并将其应用于电子商务数据集中，结果显示该方法在多个强基线模型和排序框架中都有显著提高。

    Jan, 2019

  • 具有弱监督的神经排名模型

    本文提出了使用弱监督学习方法训练神经排序模型来解决信息检索排名问题，并通过实验结果表明，基于弱标记数据的预训练可以极大地提高神经排序模型的性能。

    Apr, 2017

  • 运用传统信息检索方法提升神经排序模型

    在这篇论文中，我们探索了一种低资源替代方法，即基于词嵌入的文档检索模型，发现它在与信息检索任务上经过微调的大型 Transformer 模型相比具有竞争力。我们的结果表明，将 TF-IDF（传统的关键词匹配方法）与浅层嵌入模型简单组合，提供了一种低成本的方法，使其在 3 个数据集上与复杂的神经排序模型的性能相媲美。此外，添加 TF-IDF 度量改进了这些任务上大规模微调模型的性能。

    Aug, 2023

  • 深入探讨深度 IR 模型

    本文对深度信息检索模型进行了深入研究，通过对两个不同数据集的实证研究，比较了自动学习特征和手工特征的查询词覆盖率、文档长度、嵌入和鲁棒性等方面的差异，并建立了改进现有深度 IR 模型的指南。同时，我们比较了表示重点模型和交互重点模型这两个不同类别的深度 IR 模型，发现两种类型的深度 IR 模型侧重于不同类别的词汇，包括主题相关词汇和查询相关词汇。

    Jul, 2017

  • 批判性检查 “神经热潮”: 弱基线和神经排序模型效果增益的可加性

    这篇论文进行了一项元分析研究，发现神经排序模型在有限数据情况下并不能提高特定检索任务的效果，并对作者通过与弱基线比较来展示神经 IR 论文中 “胜利” 的 anecdotal evidence 提供了权威的实验证据和结论。

    Apr, 2019