Aug, 2023

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

PDF
TL;DR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。
large-scale text retrievaltrec 2022 deep learning trackhybrid text retrievalmulti-stage text rankingeffectiveness
发现论文，激发创造
  • TREC 2019 深度学习赛道概览

    TREC 2019 新推出的 Deep Learning Track 使用大量标注数据，对包含三百万文档和五十万训练查询的 Ad Hoc 排名展开研究，结果 Deep Learning 方法在 15 组提交的 75 个运行中取得了优异的表现。

    Mar, 2020

  • 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

  • TREC 2021 深度学习赛道上的 PASH：多级排序的生成增强模型

    本文介绍了 PASH 参加 TREC 2021 深度学习赛道所采用的稀疏和稠密检索方法，采用基于模型预训练的点对和成对排名策略，通过引入 T5 生成模型进一步提高了性能。

    May, 2022

  • 2021 TREC 临床试验赛道中的 UNIMIB

    探究了不同的查询表示方法结合不同的检索模型对检索性能的影响，同时提出了一种基于关键词提取方法的检索模型，并通过实验表明，该方法结合传统或基于决策论的相关性模型，可以显著提高查询效果。

    Jul, 2022

  • 对话系统中快速轻量级答案文本检索

    本文研究表明，使用大量参数的深度学习模型可用于启用高级神经密集检索系统有效地运行于相对廉价的硬件上，特别适用于云服务中支持大量个性化对话系统以及其各自的文本语料库。

    May, 2022

  • BERT 的多阶段文档排名

    利用 BERT 模型，在多阶段排名结构中将文档排序问题分别转化为点和对分类的两个变量来解决，这是一种终端到终端的用于搜索的系统设计，可以通过控制每个管道阶段的候选人数量来权衡质量和延迟，并在 MS MARCO 和 TREC CAR 数据集上提供了与现有技术相当或更好的结果。

    Oct, 2019

  • HLATR：混合列表感知的 Transformer 重排序加强多阶段文本检索

    本文提出 HLATR 作为一个轻量级的后续 reranking 模块，将检索和 reranking 阶段的特征结合起来，可以有效提高现有的多阶段文本检索方法的排名性能。

    May, 2022

  • 对话响应选择中的密集检索探索

    该研究提出了一种利用密集检索模型从包含数百万个响应的大型语料库或甚至仅由未配对句子组成的非平行语料库中直接选择适当响应的解决方案，并通过一系列专门设计的学习策略实现其在全范围评估设置下的优越性。

    Oct, 2021

  • 复杂答案检索基准

    介绍了用于填充维基百科文章的 TREC CAR 赛道，提供使用信息检索方法，查询扩展和深度神经网络等一系列系统解决这一难题的早期结果以帮助未来参与者。

    May, 2017

  • TU Wien @ TREC Deep Learning '19 -- 用于重排的简单上下文化

    本文介绍了使用 Transformer-Kernel 模型进行文档重排序的方法，并通过 TREC 2019 深度学习赛道的评价来表明其有效性。

    Dec, 2019