Jan, 2023

查询建议的关键词嵌入

PDF
TL;DR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。
keyword suggestionscientific literatureword2vecfasttextnegative sampling
发现论文，激发创造
  • 使用词嵌入和专业众包技术进行专利搜索的查询扩展

    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。

    Nov, 2019

  • 将相关文档纳入 word2vec 中

    本文针对词嵌入模型在信息检索任务中存在的问题及其局限性，提出了一种基于 word2vec Skip-Gram 模型的神经网络模型，通过显式向量表示的方式，增加了模型的可解释性和准确性，实现了查询词汇的局部信息融合，提高了指定任务状态下的表现表现。

    Jul, 2017

  • 文档排名双重嵌入空间模型

    该研究旨在探究神经单词嵌入作为文件评级的证据源，并提出了一种双重嵌入空间模型（DESM），在 Bing 等商业 Web 搜索引擎中可以更好地对置顶文档进行重新排名。

    Feb, 2016

  • 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

  • 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

  • 可扩展的在赞助搜索广告中查询和广告的语义匹配

    该研究提出了一种基于语义嵌入的高级匹配方法，通过利用用户搜索会话的语义嵌入来自动找到更多的相关查询以供广告商竞标，同时提出了解决冷启动问题的方法，该方法已在实际搜索流量中进行了测试并获得了显著的优化结果和增量收益，同时将学习到的查询嵌入开源供计算广告和相关领域的研究人员使用。

    Jul, 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

  • 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

  • 基于相关性的词嵌入

    本文提出两种具有不同目标函数的学习模型，用于基于查询 - 文档相关性信息学习单词表示，实验结果表明相对于 Word2vec 等基于词语相似度的模型，基于相关性的单词嵌入模型在查询扩展和查询分类等信息检索任务上具有显著优越性。

    May, 2017

  • 文档嵌入 vs 关键词短语 vs 术语：数字图书馆推荐系统的在线评估

    本研究比较标准的基于词项的推荐方法与两种有前途的数字图书馆相关文章推荐方法：文档嵌入和关键词短语的推荐效果，并通过我们的推荐服务 Mr. DLib 在 Sowiport 和 Jabref 上提供了 3350 万次推荐，在不同的情境下评估了它们的性能和一致性。

    May, 2019