AAAINov, 2019

使用词嵌入和专业众包技术进行专利搜索的查询扩展

PDF
TL;DR本文在 11 个不同的技术领域研究了词嵌入和众包模型的有效性，重点是专利、查询扩展、词嵌入、相关术语和众包模型。
patentquery expansionword embeddingrelated termscrowdsourced models
发现论文，激发创造
  • 利用词嵌入的深度神经网络进行查询扩展

    该论文介绍了一种基于词嵌入的 query expansion 方法，使用人工神经网络分类器来预测 query expansion 词汇的有用性，实验结果表明该方法显著提高了检索性能。

    Nov, 2018

  • 查询预测扩展文档

    该研究提出了一种将搜索引擎文档扩展为与其内容相关或代表性术语的简单方法，并利用基于 Vanilla 序列到序列模型的数据集对其进行扩展，结合高效的重新排序组件，实现了两种检索任务的最高效结果。

    Apr, 2019

  • 使用本地训练的单词嵌入进行查询扩展

    本文研究了词嵌入在查询扩展中的应用，结果表明全局训练的 Word2Vec 和 GloVe 等词嵌入不能很好地完成信息检索任务，建议其他使用全局嵌入的任务也可以受益于使用局部嵌入。

    May, 2016

  • 查询建议的关键词嵌入

    本文提出了两种新颖的模型来进行关键字建议任务，使用 Word2Vec 和 FastText 的架构，通过利用文档中的关键字共现来生成关键字嵌入向量，并采用特殊的负例抽样方法来利用关键字在学术出版物中的出现方式。此外，还提供了基于排名的评估方法，对所提出的模型进行评估，并在已知项目和自由搜索场景下显示了较大的性能改进。

    Jan, 2023

  • 基于众包知识的代码搜索查询扩展

    利用众包知识的查询扩展方法，结合 Rocchio 模型提出了一种技术 (QECK Rochhio)，能够有效地提高代码搜索效率，实验结果显示此方法的准确率和 NDCG 在三个代码搜索算法中分别提高了 64％和 35％，而与最先进的查询扩展方法相比，其提高 22％的准确率和 16％的 NDCG。

    Mar, 2017

  • 利用词嵌入进行自动查询扩展

    本文提出了一种利用分布式神经语言模型 word2vec 的自动查询扩展（AQE）框架，通过 K 最近邻方法获得查询相关术语，并在标准 TREC ad-hoc 数据上获得显着提高。

    Jun, 2016

  • 个性化信息检索的词嵌入研究

    本文介绍了使用 Word Embedding（word2vec）在个性化信息检索上进行查询扩展的初步工作，通过对用户档案进行学习，实现了个性化的词嵌入学习以获取和用户兴趣相同的上下文，该方案在 CLEF Social Book Search 2016 集合上评估，结果表明在个性化信息检索上应对 Word Embedding 应用进行一些努力。

    Jun, 2016

  • 事件驱动的查询扩展

    本文研究了基于事件的查询扩展技术，利用新颖的词语和事件的嵌入机制在相同的向量空间中识别查询和事件之间的语义关系，进而在多个新闻文本检索数据集上显著提高检索性能。

    Dec, 2020

  • 利用维基百科和 WordNet 进行查询扩展的新方法

    使用维基百科和 WordNet 作为数据源，本研究提出了一种新的查询扩展技术，并采用新的加权方案，获得 24% 的 MAP 分数和 48% 的 GMAP 分数提升。

    Jan, 2019

  • 信息检索的查询扩展技术：一项调查

    本文探讨了从 1960 年至 2017 年信息检索中的查询扩展技术，包括核心技术、数据源、加权和排名方法、用户参与以及应用，揭示了其相似性和差异性。

    Aug, 2017