数据库增强的信息检索查询表示

Jun, 2024

Database-Augmented Query Representation for Information Retrieval

Soyeong Jeong, Jinheon Baek, Sukmin Cho, Sung Ju Hwang, Jong C. Park

TL;DR利用关系数据库中的元数据和图形集编码策略，我们提出了一种改进了查询性能的检索框架，用于扩展查询并增强信息检索模型。

Abstract

information retrieval models that aim to search for the documents relevant to the given query have shown many successes, which have been applied to diverse tasks. However, the query provided by the user is oftentimes very short, which challenges the retrievers to correctly fetch releva

information retrieval models query expansion metadata relational database retrieval performance

发现论文，激发创造

AugTriever：可扩展的数据增强无监督密集检索

本文提出了无需注释的可扩展伪查询文档对训练方法，包括查询提取和转化查询生成两种。通过使用这些方法，研究展示出比其他方法更好的检索表现。

Dec, 2022

使用插值和扰动增强密集检索中的文档表示

提出一种 DAR 方案，通过对文档的内插和扰动来增强文档表示，实现无监督学习的稠密检索，显著优于相关基线。

Mar, 2022

通过解读脑信号进行查询扩充

利用从脑信号解码出的语义信息增强查询，Brain-Aug 生成原始查询的继续部分，通过排序导向的推理方法提高查询准确性，实验证明 Brain-Aug 使查询更准确，进而提高文档排序性能，对于歧义查询尤为显著。

Feb, 2024

先增强后实践：通过表格扩展实现知识增强问答

本研究提出了一种简单而有效的方法，用于在给定的表格中集成外部信息，通过构建一个包含缺失信息的增强表格，然后生成两个表格的 SQL 查询来回答问题。实验证明，我们的方法在三个表格问答基准测试上优于强基准模型。

Jan, 2024

重新思考数据增强对于强健的视觉问答的影响

提出了一种基于知识蒸馏的数据增强方法 KDDAug，通过放宽合理图像 - 问题匹配的要求，并设计了一个知识蒸馏（KD）策略生成所有生成的图像 - 问题对的伪答案，从而增强图像的数据集，以提高视觉问答（VQA）模型的泛化性能。

Jul, 2022

如何训练你的龙：向通用密集检索的多样化增强

通过数据增强、对比学习等方法，本研究提出了一种新的稠密检索算法 DRAGON，使其在有监督检索和零样本检索方面均达到了最新水平，并与复杂的后期交互模型竞争。

Feb, 2023

跨域文本到 SQL 解析中的基于层次化 SQL 到问题生成的数据增强

该论文通过设计一个简单而有效的数据增强框架，提出了一种层次化的 SQL 转自然语言问题生成模型，以及一种简单的采样策略来显著提高训练效率。在三个跨领域数据集上的实验表明，其方法可以一贯地改善表现，并且层次化生成组件是改善的关键。

Mar, 2021

开放领域问答的增强生成检索

本文提出了一种 Generation-Augmented Retrieval 方法来回答开放领域的问题，这种方法通过发现相关语境并进行文本生成来增强查询，同时证明所生成的语境大大丰富了查询的语义，使用 BM25 稀疏表示与 DPU 等最先进的稠密检索方法相比，GAR 能够获得同等甚至更好的检索效果。本文还将 G.A.R. 与 DPU 相结合，能够在 Natural Questions 和 TriviaQA 数据集上显着提高提取式 QA 基线的性能，并且在使用相同的生成性阅读器时，GAR 频繁地优于其他检索算法。

Sep, 2020

通过语法和结构感知的密集检索增强开放域表格问答

提出了一种语法和结构感知的开放域表格问题回答方法，通过提供问题的语法表示和利用表格的结构头部和数值表示来避免细粒度的句法和结构信息丢失，实验结果表明该方法在 NQ-tables 数据集上达到了最先进的效果，并在一个新的开放域 Text-to-SQL 数据集上超越了强基线。

Sep, 2023

面向开放域问答的混合文本和表格证据的双重阅读器 - 解析器

本文提出一种混合型框架，将文本和表格式证据作为输入，根据问题生成直接答案或 SQL 查询，并在几个开放领域问题回答（ODQA）数据集上表现出了明显优于基线模型的表现。在详细的分析中，证明生成结构化 SQL 查询将始终带来收益，尤其是对于那些需要复杂推理的问题。这是第一个将 Text2SQL 应用于 ODQA 任务的论文。

Aug, 2021