以行动为中心的信息检索
本文研究信息检索在实时搜索中面临的挑战,通过整合事件信息和查询,利用跨注意力机制实现时间背景的查询表示,通过多任务训练增强事件表示能力,以及通过两阶段训练和硬负采样进行模型优化,并通过实验证明本方法在时间敏感场景下显著优于现有基线方法。
Dec, 2023
利用生成型人工智能和大型语言模型探索信息检索中的动机、考虑因素和结果,主要关注学术界对这些系统的使用,尤其关注作者权威性、及时性和搜索结果的文脉化;虽然大型语言模型可以提供有助于信息检索的功能,但对搜索系统及其改进的持续需求仍然是必要的。
Nov, 2023
论文研究了信息检索系统不仅可以检索与查询相关的信息,而且可以将其 “理解” 并综合成一个单一的文档,使用递归神经网络进行深度学习来人工合成文档,通过众包实验评估文档的相关性。
Jun, 2016
提出了一种信息检索管道,利用实体 / 事件链接模型和查询分解模型来更准确地关注查询的不同信息单元,该管道显著提高了对五个信息检索和问答基准的段落覆盖率和指代准确性。由于其卓越的可解释性和跨领域性能,它将成为需要在新领域上执行信息检索而无需大量投入的应用程序的首选系统。
Aug, 2023
本篇论文提出三个方面的方法,包括新的模型架构、IR 导向的预训练任务、生成大规模训练数据,以解决神经检索器面临的问题,并探讨了多模式查询的未来研究方向和相应的解决方法。
May, 2022
本文针对欧洲议会选举的数据进行建模,提出了一种基于随机森林和多层感知器神经网络相结合的方法,去完成对选民意向的预测任务,该模型相比其他模型具有更好的预测准确度和稳定性。
May, 2022
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
本文探讨了在人机交互的语境下,处理短文本对话的问题,并借助社交媒体上丰富的对话记录数据,提出了一种基于信息检索技术的解决方法,实验证明这种基于检索的模型结合大量的社交媒体对话数据能够使系统表现得相当智能。
Aug, 2014
本文提出了一种受到知识蒸馏启发的学习信息检索器的技术,在没有标注的查询和文档对的情况下,利用阅读器模型的注意力分数来获得检索器的合成标签,用于下游任务,最终在问题回答方面达到了最先进的结果。
Dec, 2020