本文针对在文本分类中使用检索方法选择一组文本进行标注的问题进行了研究，主要挑战包括由于人力资源限制导致标注数量受限以及处理具有少量正样本的二元类别的严重类别不平衡。为了应对这些挑战，本文提出了利用 SHAP 构建 Elasticsearch 和语义搜索的质量查询集，以尝试识别出能帮助处理类别不平衡问题的最佳标注文本集。该方法在描述可能未来事件的线索文本集上进行了测试，并引入了一种有效的选择少量文本进行标注和构建高质量分类器的方法。我们将向量搜索、语义搜索和机器学习分类器相结合，提供了一个较好的解决方案。实验结果表明，在二元分类中改善了少数类别的 F1 分数。

Jul, 2023

本研究探讨了一种基于多篇文献的主题导向信息压缩技术，采用实证方法和两种无监督机器学习技术，比较它们的效果，同时通过提取不同的词汇特征和局部搜索技术，学习各种特征的权重值，最终实现了基于查询的自动摘要产生。

Jan, 2014

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

信息检索任务要求系统根据用户的信息需求识别相关文档。这项研究探讨了检索系统是否能够识别和回应查询的不同视角，以及利用几何特征改善检索系统的视角意识。

May, 2024

本研究提出了一种基于 NLP 方法的关键词分析的偏差分析方法，实验结果表明该方法在不同基准数据集上具有与现有先进方法相当的效果。

Oct, 2022

我们提出了一种结合自然语言处理和机器学习技术的方法，通过创建文本嵌入来增强法律案例描述的组织和利用，实现无监督聚类和有监督引文检索，以自动化提取引文的过程，从而实现更高效、节省时间、便捷的法律研究和论证。

May, 2024

研究长文档分类任务使用标准的机器学习方法（如 Naive Bayes 和 BERT），在六个文本分类数据集上进行了广泛的算法比较研究，发现 BERT 模型性能稳定良好，但基于传统机器学习模型（如 BiLSTM 和 GloVe）也能在大多数数据集上表现出色，只在较困难的数据集（如 IMDB 情感分析）中对性能提升明显。

Nov, 2021

本文提出了一种基于语言模型的信息检索算法框架的新方法，并将类似文档群的信息整合进去以提高检索效果；实验结果表明，即使是此新方法中的较简单算法也能优于标准语言模型方法，并且我们的新插值算法在所有测试语料库中均能显著提高精度和召回率表现。

May, 2004

本文提出一种结合两种方法 —— 抽样和主动选择文档 —— 的大规模信息检索评估方法，其通过向系统分配分布并在评估过程中修改来减少样本偏差，并使用 TREC 数据验证其优点。

Sep, 2017

本文研究基于嵌入的检索模型，并探究对段落级别的预训练任务在训练强大的嵌入式 Transformer 模型上的关键作用。

Feb, 2020