临时检索中的多种相关模式建模

【文件属性】：
文件名称：临时检索中的多种相关模式建模
文件大小：1.58MB
文件格式：PDF
更新时间：2021-05-19 10:25:50
relevance patterns; ad-hoc retrieval; neural 由于特定的查询模式，评估查询和文档之间的相关性在临时检索中具有挑战性，即，只要文档可以为用户提供足够的信息，它就可以整体或部分与查询相关。 这种不同的相关性模式需要理想的检索模型，以能够以正确的粒度自适应地评估相关性。 不幸的是，大多数现有的检索模型都以单个粒度（文档范围或段落级别）计算相关性，或者使用固定组合策略，从而限制了它们捕获各种相关性模式的能力。 在这项工作中，我们提出了一种数据驱动的方法，以允许不同粒度的相关信号相互竞争以进行最终的相关性评估。 具体来说，我们提出了一种层次神经网络营销模型（HiNT），该模型由两个堆叠的组件组成，即局部匹配层和全局决策层。 局部匹配层着重于通过对查询和文档的每个段落之间的语义匹配建模来产生一组局部相关信号。 全局决策层将本地信号累积为不同的粒度，并允许它们相互竞争以决定最终的相关性得分。实验结果表明，我们的HiNT模型在基准即席检索方面明显优于现有的最新检索模型数据集。