Apr, 2019

使用文本分类的伪相关反馈：最简单的可行之事

PDF
TL;DR本文提出了一种基于文档相关性分类器的技术，使用来自经过排序的初始列表的伪标签，然后将分类器应用于重新排列检索到的文档，以解决伪相关反馈的问题。该技术可以显著提高多个新闻集合的结果，包括使用词袋模型 BM25 以及精调查询扩展模型。
machine learningpseudo-relevance feedbackdocument relevance classifierbag of wordsquery expansion model
发现论文，激发创造
  • 文本文件中什么是相关的？：一种可解释的机器学习方法

    本文介绍了如何使用机器学习模型解释文本分类的决策过程以及如何生成基于词向量的文档表示方法。通过对两个不同类型的模型进行比较，表明卷积神经网络在可解释性方面的优势，也使得它更具有人类可理解性，并有潜力应用于其他领域。

    Dec, 2016

  • 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

  • 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

  • 生物医学信息检索中文本相关性的快速深度学习模型

    通过深度学习模型计算关键词和生物医学文献之间的相似度得出相关度评分，以此来解决生物医学文献检索中的关联问题，并成功的胜过了其他最先进的深度学习方法。

    Feb, 2018

  • 仅从相关关键词和未标记文档中学习

    本文提出了一个理论上有保证的学习框架，用于无标签文档的分类问题，该框架可以灵活选择模型，并且有效地优化了接收器操作特征曲线下的面积，并在基准数据集上展示了其有效性。

    Oct, 2019

  • 在检索相关文档的分析上，解决不平衡分类问题的方法比较

    研究比较了基于关键词列表、查询扩展技术、基于主题模型的分类规则以及主动有监督学习四种不同的检索方法，结果表明：基于关键词列表的检索方法容易出现偏见，而主动有监督学习方法在使用合适数量的已标记训练实例时，能够显著提高检索效果。

    May, 2022

  • 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

  • 面向信息检索的基于内容的弱监督再排序

    论文研究了神经排序中标记相关性判定数量巨大的问题，并提出使用弱监督来源训练排名器，然后使用过滤技术排除域外样本，实现了有效的性能改进。

    Jul, 2017

  • 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

  • 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