Mar, 2021

第一阶段检索的语义模型：一份综合回顾

PDF
TL;DR该论文介绍了现代搜索系统中多阶段排名管道的普遍解决方案，阐述了第一阶段检索模型的传统词项模型和语义模型之间的联系，并针对词汇不匹配问题提出了基于语义的解决思路和神经语义检索技术所带来的机遇和挑战。
multi-stage ranking pipelinessemantic retrieval modelsvocabulary mismatch problemneural semantic retrieval methodsopen challenges
发现论文，激发创造
  • 利用语义和词汇匹配提高文档检索系统召回率：一种混合方法

    本文研究将深度神经网络模型与词汇模型相结合应用于搜索引擎的检索阶段，并在 TREC 数据集上进行了实证研究，结果表明该方法得到了很好的效果，并揭示了语义方法、词汇方法以及二者结合的不同特点。

    Oct, 2020

  • SPLADE: 用于第一阶段排序的稀疏词汇和扩展模型

    本文介绍了基于显式稀疏正则化和对术语权重的对数饱和效应的首位排序器，具有高度稀疏的表示，与最先进的密集和稀疏方法相比取得了有竞争力的结果，并探讨了效率和效果之间的平衡。

    Jul, 2021

  • 一种针对信息检索的表征性方法的概念框架

    本文提出了一个概念框架来理解信息检索和自然语言处理中的最新发展，该框架试图将稠密和稀疏检索方法整合起来，并将文本检索问题分成逻辑评分模型和物理检索模型。作者提出度量器和比较函数，将查询和文档映射到表征空间，并计算查询 - 文档分数，同时分析了密集与稀疏表征和监督与无监督方法的影响。最后，作者提供了一个研究路线图，使得该框架更加清晰且提供未来工作的方向。

    Oct, 2021

  • 揭示语义检索对大规模机器阅读的重要性

    本文提出管道系统及语义检索中间层制定通用设计指南。在事实检查和开放领域多跳 QA 中，该系统取得了表现。统计分析表明，中间层语义检索提高了上游信息的筛选效率，下游建模的数据质量，实现了学习上下文逻辑结构的机器阅读。

    Sep, 2019

  • TREC 2022 深度学习赛道上的混合检索和多阶段文本排名解决方案

    该论文介绍了基于大规模文本检索技术在实际商业场景中的应用，以及在 TREC 2022 深度学习竞赛中所采用的混合文本检索和多阶段文本排序方法，结果表明我们提出的方法有效。

    Aug, 2023

  • 学习与职位匹配的检索

    应用学习检索技术改进 LinkedIn 的职位搜索和推荐系统，通过构建评估求职者资格的图和利用学习到的链接进行检索，提高应聘人员质量并优化求职者参与度。

    Feb, 2024

  • 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

  • 深入研究信息检索中的神经排名模型

    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。

    Mar, 2019

  • 学术检索中语言模型的低效性：一个实验性概述

    评估科学语言模型在处理短查询文本和文本邻居时的能力，并通过小扰动生成的文本邻居证明不是所有扰动都会导致嵌入空间中的接近邻居。此外，研究发现检索性能更受文本表面形式的影响，而不是文本的语义。

    Mar, 2022

  • 零样本检索：用搜索引擎增强预训练模型

    使用 NLP 和多模式学习，该论文介绍了如何通过搜索引擎检索来增强预训练模型，从而在测试时从互联网中检索到有用的数据，并更新模型以解决模型的不确定性，取得了零样本性能的显著改进。

    Nov, 2023