หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

โมเดลความหมายที่ยอดเยี่ยมสำหรับการดึงข้อมูลระยะแรก



สุดยอด

บันทึก:

  • รายการเอกสารที่ยอดเยี่ยมสำหรับ การดึงความหมาย รวมถึงวิธีการบางอย่างและแบบจำลองระบบประสาทล่าสุดสำหรับงานดึงข้อมูล (เช่นการดึงข้อมูลแบบ Ad-Hoc, QA แบบเปิดโดเมน, QA ที่ใช้ชุมชนและการสนทนาอัตโนมัติ)
  • สำหรับนักวิจัยที่ต้องการได้รับแบบจำลองความหมายสำหรับขั้นตอนการจัดอันดับใหม่เราแนะนำผู้อ่านไปยังการสำรวจ Neuir ที่ยอดเยี่ยมโดย Guo Et.al
  • ยินดีต้อนรับข้อเสนอแนะและการบริจาคโปรดเปิดปัญหาหรือติดต่อฉัน

สารบัญ

  • กระดาษสำรวจ
  • บทที่ 1: การดึงคำศัพท์แบบคลาสสิก
  • บทที่ 2: วิธีการเริ่มต้นสำหรับการดึงความหมาย
    • การขยายการสอบถาม
    • การขยายเอกสาร
    • รูปแบบการพึ่งพา
    • รูปแบบหัวข้อ
    • รูปแบบการแปล
  • บทที่ 3: วิธีประสาทสำหรับการดึงความหมาย
    • วิธีการดึงข้อมูลแบบเบาบาง
    • วิธีการดึงข้อมูลหนาแน่น
    • วิธีการดึงแบบไฮบริด
  • บทที่ 4: ทรัพยากรอื่น ๆ
    • งานอื่น ๆ
    • ชุดข้อมูล
    • วิธีการจัดทำดัชนี

กระดาษสำรวจ

  • การจับคู่ความหมายในการค้นหา （li et al., 2014)
  • หม้อแปลงที่ผ่านการฝึกอบรมสำหรับการจัดอันดับข้อความ: เบิร์ตและเกินกว่า （Lin et al., 2021, arxiv)
  • โมเดลความหมายสำหรับการดึงข้อมูลขั้นแรก: การทบทวนที่ครอบคลุม （Guo et al., 2021, TOIs) Image-20191107150755839
  • กรอบแนวคิดที่เสนอสำหรับวิธีการเป็นตัวแทนในการดึงข้อมูล （Lin et al., 2021, arxiv)
  • วิธีการฝึกอบรมล่วงหน้าในการดึงข้อมูล （Fan et al., 2022, arxiv) Image-20191107150755839
  • การดึงข้อความหนาแน่นขึ้นอยู่กับแบบจำลองภาษาที่ผ่านการฝึกอบรม: การสำรวจ (Zhao et al., 2022, arxiv) Image-20191107150755839
  • การดึงข้อมูลหนาแน่นทรัพยากรต่ำสำหรับการตอบคำถามแบบเปิดโดเมน: การสำรวจที่ครอบคลุม （Shen et al., 2022, arxiv) Image-20191107150755839
  • บันทึกการบรรยายเกี่ยวกับการดึงข้อมูลระบบประสาท (Tonellotto et al., 2022, arxiv) Image-20191107150755839

การดึงคำศัพท์แบบคลาสสิก

  • โมเดลพื้นที่เวกเตอร์สำหรับการจัดทำดัชนีอัตโนมัติ （1975, VSM )
  • การพัฒนาในการดึงข้อความอัตโนมัติ （1991, TFIDF )
  • แนวทางการถ่วงน้ำหนักในการดึงข้อความอัตโนมัติ （1988, TFIDF )
  • น้ำหนักที่เกี่ยวข้องของคำค้นหา （1976, BIM )
  • พื้นฐานทางทฤษฎีสำหรับการใช้ข้อมูลการเกิดร่วมในการดึงข้อมูล （1997, แบบจำลองการพึ่งพาต้นไม้ )
  • กรอบความเกี่ยวข้องความน่าจะเป็น: BM25 และเกินกว่า （2010, BM25 )
  • วิธีการสร้างแบบจำลองภาษาเพื่อการดึงข้อมูล （1998, QL )
  • แบบจำลองภาษาทางสถิติสำหรับการดึงข้อมูล （2007, LM สำหรับ IR )
  • โมเดลภาษา Hypergeometric และฟังก์ชั่นการให้คะแนนคล้าย ZIPF สำหรับเอกสารการดึงข้อมูลที่คล้ายคลึงกันของเว็บ （2010, LM สำหรับ IR )
  • แบบจำลองความน่าจะเป็นของการดึงข้อมูลขึ้นอยู่กับการวัดความแตกต่างจากการสุ่ม （2002, DFR )

วิธีการเริ่มต้นสำหรับการดึงความหมาย

การขยายการสอบถาม

  • รุ่นระดับโลก
    • การเชื่อมโยงคำว่าคำในระบบดึงเอกสาร (1969)
    • การขยายแบบสอบถามตามแนวคิด (1993)
    • การขยายแบบสอบถามโดยใช้ความสัมพันธ์แบบคำศัพท์-ศาสตร์ (1994)
    • การใช้บริบทแบบสอบถามในการดึงข้อมูล (2007)
  • รุ่นท้องถิ่น
    • ข้อเสนอแนะที่เกี่ยวข้องในการดึงข้อมูล (1971, Rocchio PRF )
    • ข้อเสนอแนะแบบจำลองแบบในวิธีการสร้างแบบจำลองภาษาเพื่อการดึงข้อมูล (2001, โมเดลการย่อขนาด Divergence )
    • UMass ที่ TREC 2004: ความแปลกใหม่และยาก （2004, RM3 สำหรับ PRF )
    • การเลือกเงื่อนไขการขยายตัวที่ดีสำหรับข้อเสนอแนะแบบหลอกเทียม （2008, PRF）
    • การศึกษาเปรียบเทียบวิธีการประเมินแบบจำลองภาษาแบบสอบถามด้วยคำติชมแบบหลอก （2009)
    • คำติชมแบบ Pseudo-RELEVANCE ตามการแยกตัวประกอบเมทริกซ์ (2016)
    • ลดความเสี่ยงของการขยายตัวของการสืบค้นผ่านการปรับให้เหมาะสมที่ จำกัด ( ปัญหาการดริฟท์แบบสอบถาม， คำถามดริฟท์แบบสอบถาม )
  • การขยายแบบสอบถามโดยใช้การวิเคราะห์เอกสารในท้องถิ่นและระดับโลก (2017)

การขยายเอกสาร

  • โครงสร้างคลังข้อมูลแบบจำลองภาษาและการดึงข้อมูลเฉพาะกิจ (2004)
  • การดึงข้อมูลแบบคลัสเตอร์โดยใช้แบบจำลองภาษา (2004)
  • การดึงข้อมูลรูปแบบภาษาพร้อมการขยายเอกสาร (2549)
  • การขยายเอกสารขึ้นอยู่กับ WordNet สำหรับ IR ที่แข็งแกร่ง （2010)
  • การปรับปรุงการดึงข้อความสั้น ๆ ผ่านการขยายเอกสาร （2012)
  • การขยายเอกสารโดยใช้คอลเลกชันภายนอก （2017, WordNet-based )
  • การขยายเอกสารเทียบกับการขยายแบบสอบถามสำหรับการดึงข้อมูลแบบ Ad-Hoc （2005)

รูปแบบการพึ่งพา

  • การทดลองในการจัดทำดัชนีวลีอัตโนมัติสำหรับการดึงเอกสาร: การเปรียบเทียบวิธีการทางวากยสัมพันธ์และวิธีการไม่ syntactic （1987, VSM + การพึ่งพาคำศัพท์ )
  • แนวทางการชั่งน้ำหนักคำศัพท์ในการดึงข้อความอัตโนมัติ (1988, VSM + การพึ่งพาคำศัพท์ )
  • การวิเคราะห์วลีทางสถิติและวากยสัมพันธ์ (1997, VSM + การพึ่งพาระยะยาว )
  • รูปแบบความน่าจะเป็นของการดึงข้อมูล: การพัฒนาและการทดลองเปรียบเทียบ （2000, VSM + การพึ่งพาคำศัพท์ )
  • การจัดอันดับความเกี่ยวข้องโดยใช้เคอร์เนล (2010, BM25 + เทอมการพึ่งพา )
  • รูปแบบภาษาทั่วไปสำหรับการดึงข้อมูล （1999, LM + การพึ่งพาคำศัพท์ )
  • โมเดลภาษาบดสำหรับการดึงเอกสาร （2002, LM + การพึ่งพาคำศัพท์ )
  • การจับคำพึ่งพาคำโดยใช้แบบจำลองภาษาตามต้นไม้ประโยค (2002, การพึ่งพาระยะยาว LM + )
  • แบบจำลองภาษาพึ่งพาสำหรับการดึงข้อมูล (2004, LM + คำพึ่งพาอาศัยกัน )
  • ทฤษฎีการกำเนิดของความเกี่ยวข้อง (2008)
  • โมเดลฟิลด์แบบสุ่มของ Markov สำหรับการพึ่งพาคำศัพท์ （2005, SDM )

รูปแบบหัวข้อ

  • แบบจำลองพื้นที่เวกเตอร์ทั่วไปในการดึงข้อมูล （1985, GVSM )
  • การจัดทำดัชนีโดยการวิเคราะห์ความหมายแฝง （1990, LSI สำหรับ IR )
  • การจัดทำดัชนีความหมายแฝงความน่าจะเป็น （2017, PLSA, รวมเป็นเส้นตรง )
  • โครงสร้างคลังข้อมูลแบบจำลองภาษาและการดึงข้อมูลเฉพาะกิจ （2004 การปรับให้เรียบ )
  • การทำให้คะแนนการดึงข้อมูลเฉพาะกิจเป็นปกติ （2005, Smoothing )
  • โมเดลเอกสารที่ใช้ LDA สำหรับ Ad-Hoc Retrieval (2006, LDA สำหรับ IR และ LDA สำหรับการปรับให้เรียบ LM )
  • การศึกษาเปรียบเทียบแบบจำลองหัวข้อสำหรับการดึงข้อมูล （2009, Smoothing )
  • การตรวจสอบประสิทธิภาพงานของแบบจำลองหัวข้อความน่าจะเป็น: การศึกษาเชิงประจักษ์ของ PLSA และ LDA （2010)
  • การจัดทำดัชนีความหมายแฝง (LSI) ล้มเหลวสำหรับคอลเลกชัน TREC （2011)

รูปแบบการแปล

  • การดึงข้อมูลเป็นการแปลทางสถิติ (1999)
  • การประมาณรูปแบบการแปลทางสถิติตามข้อมูลร่วมกันสำหรับการดึงข้อมูลเฉพาะกิจ （2010)
  • โมเดลการแปลที่ใช้ ClickThrough สำหรับการค้นหาเว็บ: จากโมเดลคำไปจนถึงรูปแบบวลี （2010)
  • การวิเคราะห์แบบ Axiomatic ของแบบจำลองภาษาการแปลสำหรับการดึงข้อมูล （2012)
  • การสืบค้นใหม่โดยใช้การแปลเครื่องสถิติแบบ monolingual （2010 สำหรับการขยายแบบสอบถาม )
  • สู่รูปแบบการแปลตามแนวคิดโดยใช้บันทึกการค้นหาสำหรับการขยายแบบสอบถาม (2012 สำหรับการขยายแบบสอบถาม )

วิธีประสาทสำหรับการดึงความหมาย

วิธีการดึงข้อมูลแบบเบาบาง

  • คำศัพท์ใหม่
    • เรียนรู้ที่จะน้ำหนักคำศัพท์ใหม่ด้วยการเป็นตัวแทนแบบกระจาย (Zheng et al., 2015, Sigir, Deeptr )
    • การบูรณาการและประเมินผลคำศัพท์ประสาทในการดึงข้อมูล (Zuccon et al., 2015, ADCS, NTLM )
    • การเรียนรู้การเลือกปฏิบัติ (Frej et al, 2020, Sigir, TDV )
    • ประโยคที่รับรู้บริบท/คำศัพท์ที่สำคัญสำหรับการประมาณค่าสำหรับการดึงขั้นตอนแรก (Dai et al., 2019, arxiv, deepct )
    • การถ่วงน้ำหนักตามบริบทสำหรับการดึงข้อมูลขั้นตอนแรก (Dai et al., 2020, Sigir, DeepCT )
    • ผลกระทบด้านประสิทธิภาพของการถ่วงน้ำหนักคำศัพท์สำหรับการดึงทาง (Mackenzie et al., 2020, SIGIR, DeepCT )
    • เอกสารบริบทที่รับรู้ถ่วงน้ำหนักสำหรับการค้นหา ad-hoc （Dai et al., 2020, www, HDCT )
    • บันทึกย่อสั้น ๆ เกี่ยวกับ DeepImpact, ขดลวดและกรอบแนวคิดสำหรับเทคนิคการดึงข้อมูล (Lin Lin et al., 2021, arxiv, unicoil )
  • การขยายตัว
    • การขยายเอกสารโดยการทำนายแบบสอบถาม （Nogueira et al., 2019, arxiv, doc2Query )
    • จาก Doc2Query ถึง Doctttttquery (Nogueira et al., 2019, arxiv, Doctttttquery )
    • กรอบการเตรียมการแบบครบวงจรสำหรับการจัดอันดับและการขยายตัว (Yan et al., 2021, AAAI, UED )
    • การเรียกคืนการเจนเนอเรชั่นสำหรับการตอบคำถามแบบเปิดโดเมน （Mao et al., 2020, ACL, GAR , การขยายแบบสอบถาม )
  • การขยายตัว + การถ่วงน้ำหนักอีกครั้ง
    • การขยายตัวผ่านการทำนายความสำคัญด้วยการทำให้เป็นบริบท (Macavaney et al., 2020, Sigir, Epic )
    • Sparterm: การเรียนรู้แบบเบาบางตามคำศัพท์สำหรับการดึงข้อความที่รวดเร็ว (Bai et al., 2020, arxiv, Sparterm )
    • Splade: โมเดลคำศัพท์และการขยายตัวแบบเบาบางสำหรับการจัดอันดับขั้นตอนแรก (ทางการและคณะ, 2021, sigir, splade )
    • Splade V2: โมเดลคำศัพท์และการขยายตัวกระจัดกระจายสำหรับการดึงข้อมูล （อย่างเป็นทางการและคณะ, 2021, arxiv, spladev2 )
    • การเรียนรู้ส่งผลกระทบต่อดัชนีคว่ำ （Mallia et al., 2021, Sigir, Deepimapct )
    • Tilde: รูปแบบความน่าจะเป็นแบบอิสระสำหรับการจัดอันดับใหม่ （Zhuang et al., 2021, Sigir, Tilde )
    • การจัดอันดับอย่างรวดเร็วอีกครั้งด้วยการจับคู่คำที่แน่นอนตามบริบทและการขยายเส้นทางที่มีประสิทธิภาพ （Zhuang et al., 2021, arxiv, tildev2 )
    • Spade: การปรับปรุงการเป็นตัวแทนแบบเบาบางโดยใช้ตัวเข้ารหัสเอกสารคู่สำหรับการดึงข้อมูลขั้นแรก （Choi et al., 2022, CIKM)
  • การเรียนรู้การเป็นตัวแทนที่กระจัดกระจาย
    • Semantic Hashing （Salakhutdinov et al., 2009)
    • ตั้งแต่การจัดอันดับของระบบประสาทไปจนถึงการจัดอันดับประสาท: การเรียนรู้การเป็นตัวแทนแบบเบาบางสำหรับการจัดทำดัชนีกลับด้าน （Zamani et al., 2018, CIKM, SNRM )
    • UHD-BERT: การเป็นตัวแทนเบาบางที่มีมิติสูงพิเศษสำหรับการจัดอันดับเต็ม （Jang et al., 2021, arxiv, uhd-bert )
    • การดึงข้อความที่มีประสิทธิภาพด้วยการแฮชสำหรับคำถามแบบเปิดโดเมนตอบคำถาม (Yamada et al., 2021, ACL, BPR ）
    • โค้ดคอมโพสิต Sparse Autoencoders สำหรับการดึงขั้นตอนแรก （Lassance et al., 2021, Sigir, CCSA )

วิธีการดึงข้อมูลหนาแน่น

  • อิงตามคำศัพท์
    • การรวมคำอย่างต่อเนื่องสำหรับการดึงข้อมูล （Clinchant et al., 2013, ACL, FV )
    • โมเดลการดึงข้อมูลแบบ monolingual และ cross-lingual ตาม (สองภาษา) Word Embeddings （Vulic et al., 2015, Sigir)
    • ข้อความสั้น ๆ ที่คล้ายคลึงกันกับ Word Embeddings (Kenter et al., 2015, CIKM, OOB )
    • โมเดลพื้นที่ฝังตัวคู่สำหรับการจัดอันดับเอกสาร (Mitra et al., 2016, arxiv, desm )
    • คำแนะนำการตอบสนองภาษาธรรมชาติที่มีประสิทธิภาพสำหรับการตอบกลับอย่างชาญฉลาด （Henderson et al., 2017, arxiv)
    • การดึงข้อมูลแบบ end-to-end ในพื้นที่ต่อเนื่อง （Gillick et al., 2018, arxiv)
  • การตอบคำถามที่จัดทำดัชนีวลี: ความท้าทายใหม่สำหรับความเข้าใจในเอกสารที่ปรับขนาดได้ (Seo et al., 2018, Emnlp, Piqa )
  • การดึงข้อความหนาแน่นสำหรับคำถามแบบเปิดโดเมนตอบคำถาม （Karpukhin et al., 2020, EMNLP, DPR ）
  • การค้นพบใหม่สำหรับงาน NLP ที่ใช้ความรู้อย่างเข้มข้น (Lewis et al., 2020, NIPS, RAG )
  • Repbert: การฝังข้อความตามบริบทสำหรับการดึงขั้นตอนแรก (Zhan et al., 2020, arxiv, repbert )
  • Cort: การจัดอันดับเสริมจาก Transformers （Wrzalik et al., 2020, NAACL, CORT )
  • DC-BERT: คำถามและเอกสารสำหรับการเข้ารหัสตามบริบทที่มีประสิทธิภาพ (Nie et al., 2020, Sigir, DC-Bert )
  • การดึงประสาทสำหรับการตอบคำถามด้วยการเพิ่มข้อมูลการดูแลแบบข้ามความสนใจ (Yang et al., 2021, ACL, การเพิ่มข้อมูล )
  • การเรียนรู้ที่ตรงกันข้ามกับเพื่อนบ้านที่ใกล้ที่สุดโดยประมาณสำหรับการดึงข้อความหนาแน่น (Xiong et al., 2020, arxiv, ance )
  • การเรียนรู้ที่จะเรียกคืน: วิธีการฝึกแบบจำลองการดึงข้อมูลหนาแน่นอย่างมีประสิทธิภาพและมีประสิทธิภาพ (Zhan et al., 2020, arxiv, ltre )
  • Glow: เครือข่ายการดูแลตนเองที่มีน้ำหนักทั่วโลกสำหรับเว็บ （Shan et al, 2020, arxiv, Glow )
  • วิธีการฝึกอบรมที่ดีที่สุดในการดึงเส้นทางที่หนาแน่นสำหรับคำถามแบบเปิดโดเมนตอบคำถาม (Qu et al., 2021, ACL, RocketQa )
  • การสอนอย่างมีประสิทธิภาพการแก้ไขความหนาแน่นที่มีประสิทธิภาพด้วยการสุ่มตัวอย่างหัวข้อที่สมดุล (Hofstätter et al., 2021, sigir, tas-balanced )
  • เพิ่มประสิทธิภาพการฝึกอบรมแบบจำลองการดึงข้อมูลหนาแน่นด้วยเชิงลบอย่างหนัก （Zhan et al., 2021, Sigir, Star/Adore )
  • การเรียกร้องการสนทนาแบบหนาแน่นไม่กี่ครั้ง （Yu et al., 2021, Sigir)
  • การเรียนรู้การเป็นตัวแทนของวลีที่หนาแน่นในระดับ （Lee et al., 2021, ACL, Densephrases )
  • การดึงข้อมูลหนาแน่นที่แข็งแกร่งยิ่งขึ้นด้วยการเรียนรู้แบบคู่ที่ตรงกันข้าม （Lee et al., 2021, ICTIR, Dance )
  • คู่: การใช้ประโยชน์จากความสัมพันธ์ที่คล้ายคลึงกันเป็นศูนย์กลางเป็นศูนย์กลางสำหรับการปรับปรุงการดึงเส้นทางหนาแน่น （ren et al., 2021, ACL, pair )
  • การกำกับดูแลที่เกี่ยวข้องกับ OpenQa กับ Colbert （Khattab et al., 2021, Tacl, Colbert-Qa )
  • การฝึกอบรมแบบ end-to-end ของผู้อ่านหลายเอกสารและรีทรีฟเวอร์สำหรับคำถามแบบเปิดโดเมนตอบคำถาม （Sachan et al., 2021, arxiv, emdr^2 )
  • การปรับปรุงการเป็นตัวแทนแบบสอบถามสำหรับการดึงข้อมูลหนาแน่นพร้อมข้อเสนอแนะความเกี่ยวข้องแบบหลอก (Yu et al, 2021, CIKM, ANCE-PRF )
  • คำติชมแบบ Pseudo-RELEVANCE สำหรับการเป็นตัวแทนหลายครั้งการดึงข้อมูลหนาแน่น (Wang et al., 2021, ICTIR, COLBERT-PRF )
  • อันดับความหมายแบบแยกแยะสำหรับการดึงคำถาม （Cai et al., 2021, ICTIR, Densetrans )
  • การเป็นตัวแทน decoupling สำหรับการดึงผ่านโดเมนเปิด （Wu et al., 2021, arxiv)
  • ROCKETQAV2: วิธีการฝึกอบรมร่วมกันสำหรับการดึงเส้นทางหนาแน่นและการจัดอันดับใหม่ （Ren et al., 2021, EMNLP, ROCKETQAV2 )
  • การฝึกอบรมแบบจำลองการดึงข้อมูลโดยใช้แคชเชิงลบ （Lindgren et al., 2021, Neurips)
  • การฝึกอบรมหลายขั้นตอนที่มีความคมชัดเชิงลบที่ดีขึ้นสำหรับการดึงทางประสาท （Lu et al., 2021, EMNLP)
  • การปรับปรุงการดึงขนาดใหญ่ที่ใช้การฝังผ่านการปรับปรุงฉลาก （Liu et al., 2021, EMNLP)
  • การดึงลำดับชั้นหนาแน่นสำหรับคำถามแบบเปิดโดเมนตอบคำถาม （Liu et al., 2021, EMNLP)
  • การแสดงเอกสารสองเม็ดที่ได้รับการปรับปรุงอย่างต่อเนื่องสำหรับการดึงที่ปรับขนาดได้ตามการดึงที่ปรับขนาดได้ (Xiao er al., 2022， www)
  • LED: Retriever หนาแน่นของพจนานุกรมที่มีความหนาแน่นสำหรับการดึงขนาดใหญ่ （Zhang et al., 2023, www)
  • aggretriever: วิธีง่ายๆในการรวมการเป็นตัวแทนข้อความสำหรับการดึงข้อความหนาแน่นที่แข็งแกร่ง （Lin et al., 2022, arxiv)
  • การเรียนรู้ที่แตกต่างจากประโยคสำหรับการดึงข้อความแบบเปิดโดเมน （Wu et al., 2022, ACL)
  • ความเชี่ยวชาญเฉพาะด้านสำหรับการดึงข้อมูลที่มีประสิทธิภาพและมีประสิทธิภาพสำหรับการตอบคำถามแบบเปิดโดเมน （Cheng et al., 2022, arxiv)
  • การกลั่นความรู้
    • การกลั่นความหนาแน่นของการจัดอันดับโดยใช้ครู ที่ มีคู่กันอย่างแน่น
    • การกลั่นความรู้สำหรับบ็อตแชทแบบดึงมาอย่างรวดเร็ว (Tahami et al., 2020, Sigir)
    • การกลั่นความรู้จากผู้อ่านไปยัง Retriever สำหรับการตอบคำถาม （Izacard et al., 2020, arxiv)
    • Retriever เป็นเพียงตัวประมาณของผู้อ่านหรือไม่ （Yang et al., 2020, arxiv)
    • การปรับปรุงรูปแบบการจัดอันดับเอกสาร bi-enchonder ที่มีสองอันดับและการกลั่นหลายครู (Choi et al., 2021, SIGIR, TRMD )
    • การปรับปรุงแบบจำลองการจัดอันดับระบบประสาทที่มีประสิทธิภาพด้วยการกลั่นความรู้ข้ามสถาปัตยกรรม (Hofstätter et al., 2021, arxiv, การสูญเสียมาร์จิ้น-MSE )
    • Twinbert: การกลั่นความรู้ไปยังแบบจำลอง Bert ที่บีบอัดแบบสองโครงสร้างสำหรับการดึงขนาดใหญ่ （Lu et al., 2022, arxiv)
  • การเป็นตัวแทนหลายเวกเตอร์
    • การดึงย่อหน้าหลายย่อหน้าสำหรับคำถามแบบเปิดโดเมนตอบคำถาม (Feldman et al., 2019, ACL, Muppet )
    • การเป็นตัวแทนที่กระจัดกระจายมีความหนาแน่นและตั้งใจสำหรับการดึงข้อความ (Luan et al., 2020, tacl, me-bert )
    • Colbert: การค้นหาทางเดินที่มีประสิทธิภาพและมีประสิทธิภาพผ่านการโต้ตอบล่าช้าตามบริบทเหนือ Bert (Khattab et al., 2020, Sigir, Colbert )
    • ขดลวด: ทบทวนการจับคู่คำศัพท์ที่แน่นอนในการดึงข้อมูลด้วยรายการคว่ำบริบท (Gao et al., 2021, NaCl, ขดลวด )
    • การปรับปรุงการเป็นตัวแทนเอกสารโดยการสร้างแบบสอบถามแบบค้นหาหลอกสำหรับการดึงข้อมูลหนาแน่น （Tang et al., 2021, ACL)
    • การดึงวลีเรียนรู้การดึงข้อความเช่นกัน （Lee et al., 2021, EMNLP, Densephrases )
    • Query Embedding การตัดแต่งกิ่งสำหรับการดึงข้อมูลหนาแน่น (Tonellotto et al., 2021, CIKM)
    • การแสดงเอกสารหลายมุมมองการเรียนรู้สำหรับการดึงข้อมูลแบบเปิดโดเมน （Zhang et al., 2022, ACL)
    • COLBERTV2: การดึงข้อมูลที่มีประสิทธิภาพและมีประสิทธิภาพผ่านการโต้ตอบปลายน้ำหนักเบา （Santhanam, 2022, NAACL)
    • การเรียนรู้การเป็นตัวแทนเอกสารที่หลากหลายด้วยการโต้ตอบแบบสอบถามลึกสำหรับการดึงข้อมูลหนาแน่น （li et al., 2022, arxiv)
    • รูปแบบการแสดงข้อความตามหัวข้อสำหรับการดึงเอกสาร (Du et al., 2022, ICANN)
  • เร่งโมเดลที่อิงกับปฏิสัมพันธ์
    • การรวมสมมติฐานการสอบถามระยะเวลาการสืบค้นสำหรับการดึงและการจัดอันดับที่มีประสิทธิภาพโดยใช้เครือข่ายประสาทลึก （Mitra et al., 2019, arxiv)
    • การจัดอันดับระบบประสาทตามปฏิสัมพันธ์ที่มีประสิทธิภาพด้วยการแฮชที่ไวต่อท้องถิ่น （ji et al., 2019, www)
    • Poly-encoders: สถาปัตยกรรมและกลยุทธ์การฝึกอบรมก่อนการให้คะแนนแบบหลายประโยคที่รวดเร็วและแม่นยำ （Humeau et al., 2020, ICLR, โพลี-เข้ารหัส )
    • เฟรมเวิร์ ก การจัดอันดับที่ใช้โมดูลาร์
    • เอกสารที่มีประสิทธิภาพการจัดอันดับใหม่สำหรับหม้อแปลงโดยการเป็นตัวแทนคำที่กำหนดไว้ล่วงหน้า (Macavaney et al., 2020, Sigir, Prettr )
    • deformer: การย่อยสลายหม้อแปลงที่ผ่านการฝึกอบรมมาก่อนสำหรับคำถามที่ตอบคำถามเร็วขึ้น （Cao et al., 2020, ACL, DEFOFORER )
    • Sparta: การตอบคำถามแบบเปิดโดเมนที่มีประสิทธิภาพผ่านการดึงหม้อแปลงแบบเบาบาง (Zhao et al., 2020, arxiv, Sparta )
    • Conformer-Kernel พร้อมคำสั่งการสืบค้นสำหรับการดึงเอกสาร （Mitra et al., 2020, arxiv)
    • Inttower: รุ่น Two-Tower รุ่นต่อไปสำหรับระบบการจัดอันดับก่อน （Li et al., 2022, CIKM) Image-20191107150755839
  • การฝึกอบรมล่วงหน้า
    • การดึงข้อมูลแฝงสำหรับการตอบคำถามโดเมนแบบเปิดอย่างอ่อนระบบตอบคำถาม (Lee et al., 2019, ACL, ORQA )
    • รูปแบบภาษาที่เรียกคืนก่อนการฝึกอบรม (Guu et al., 2020, ICML, Realm )
    • งานฝึกอบรมล่วงหน้าสำหรับการดึงขนาดใหญ่ที่ใช้ในการฝัง (Chang et al., 2020, ICLR, BFS+WLP+MLM )
    • รูปแบบภาษาของคุณพร้อมสำหรับการปรับแต่งความหนาแน่นหรือไม่ （Gao et al., 2021, EMNLP, คอนเดนเซอร์ )
    • คลังข้อมูลที่ไม่ได้รับการดูแลแบบจำลองการฝึกอบรมล่วงหน้าสำหรับการดึงเส้นทางหนาแน่น (Gao et al., 2021, arxiv, cocondenser )
    • น้อยกว่ามาก: การฝึกอบรมก่อนการเข้ารหัสสยามสยามที่แข็งแกร่งโดยใช้ตัวถอดรหัสที่อ่อนแอ （Lu et al., 2021, EMNLP, seed-encoder )
    • รูปแบบภาษาที่ผ่านการฝึกอบรมมาล่วงหน้าสำหรับการดึงข้อมูลเว็บในการค้นหา Baidu （Liu et al., 2021, KDD)
    • การฝึกอบรมล่วงหน้าสำหรับการดึงข้อมูลแบบ Ad-Hoc: การเชื่อมโยงหลายมิติก็คือคุณต้องใช้ (Ma Ma et al., 2021, CIKM, HARP )
    • Pre-train ตัวเข้ารหัสข้อความที่เลือกปฏิบัติสำหรับการดึงข้อมูลหนาแน่นผ่านการทำนายช่วงความคมชัด （Ma et al., 2022, Sigir)
    • TSDAE: การใช้การเข้ารหัสอัตโนมัติตามลำดับหม้อแปลงสำหรับการเข้ารหัสอัตโนมัติสำหรับการเรียนรู้ประโยคที่ไม่ได้รับการดูแล
    • MASK Auto-encoder สำหรับการดึงข้อความหนาแน่น （Wu et al., 2022, arxiv) Image-20191107150755839
    • SIMLM: การฝึกอบรมล่วงหน้าด้วยคอขวดที่เป็นตัวแทนสำหรับการดึงเส้นทางหนาแน่น （Wang et al., 2022, arxiv) Image-20191107150755839
    • Lexmae: การเตรียมการพจนานุกรมพจนานุกรมสำหรับการดึงขนาดใหญ่ （Shen et al., 2022, arxiv) Image-20191107150755839
    • วิธีการฝึกอบรมล่วงหน้าแบบตัดกันเพื่อเรียนรู้การเลือกปฏิบัติอัตโนมัติสำหรับการดึงข้อมูลหนาแน่น （Ma et al., 2022, CIKM)
    • retromae: แบบจำลองภาษาที่มุ่งเน้นการดึงข้อมูลล่วงหน้าผ่านการเข้ารหัสอัตโนมัติที่สวมหน้ากาก （Xiao และ Liu et al., 2022, EMNLP） Image-20191107150755839
    • แบบจำลองการใช้ภาษาที่ใช้ในการดึงข้อมูลแบบดึงข้อมูลสำหรับการดึงเส้นทางหนาแน่น （Long et al., 2022, arxiv) Image-20191107150755839
    • LaPrador: รีทรีฟ์หนาแน่นที่ไม่ได้รับการดูแลเป็นศูนย์สำหรับการดึงข้อความแบบไม่มีการยิง （Xu et al., 2022, ACL) Image-20191107150755839
    • Masked autoencoders ในฐานะผู้เรียนที่รวมเป็นหนึ่งสำหรับการเป็นตัวแทนประโยคที่ผ่านการฝึกอบรมมาก่อน （Liu et al., 2022, arxiv) Image-20191107150755839
    • Master: Multi-Task ที่ผ่านการฝึกอบรมมาแล้วที่ได้รับการฝึกฝนมาส Image-20191107150755839
    • COT-MAE V2: การเข้ารหัสอัตโนมัติแบบสวมหน้ากากตามบริบทพร้อมการสร้างแบบจำลองหลายมุมมองสำหรับการดึงข้อความ （Wu et al., 2023, arxiv） Image-20191107150755839
    • COT-MOTE: การสำรวจบริบท Masked Auto-Encoder Pre-Training ด้วยการผสมผสานระหว่าง Experts แบบผสมผสานสำหรับการดึงข้อความ （Ma et al., 2023, arxiv) Image-20191107150755839
  • การเรียนรู้ร่วมกับดัชนี
    • การเรียนรู้ร่วมกันของแบบจำลองการดึงข้อมูลเชิงลึกและดัชนีการฝังเชิงปริมาณเชิงปริมาณ (Zhang et al., 2021, Sigir, Poeem )
    • การเพิ่มประสิทธิภาพการเข้ารหัสแบบสอบถามและการหาปริมาณผลิตภัณฑ์เพื่อปรับปรุงประสิทธิภาพการดึง (Zhan et al., 2021, CIKM, JPQ )
    • การจับคู่ผลิตภัณฑ์ที่มุ่งเน้นการจับคู่สำหรับการดึงข้อมูล ad-hoc （Xiao et al., 2021, EMNLP, MOPQ )
    • การเรียนรู้การเป็นตัวแทนที่ไม่ต่อเนื่องผ่านการจัดกลุ่มแบบ จำกัด เพื่อการดึงข้อมูลที่มีประสิทธิภาพและมีประสิทธิภาพ (Zhan et al, 2022, WSDM, RepConc )
  • การเรียนรู้ร่วมกับ Ranker
    • การฝึกอบรมแบบ end-to-end ของการดึงประสาทสำหรับคำถามแบบเปิดโดเมน （Sachan et al., 2021, ACL)
    • ฝ่ายตรงข้าม Retriever-Ranker สำหรับการดึงข้อความหนาแน่น (Zhang et al., 2022, ICLR)
  • debias
    • การเรียนรู้แบบจำลองการดึงข้อมูลหนาแน่นที่แข็งแกร่งจากฉลากความเกี่ยวข้องที่ไม่สมบูรณ์ (Prakash et al., 2021, Sigir, Rance )
    • เชิงลบอย่างหนักหรือเชิงลบที่ผิดพลาด: การแก้ไขอคติในการฝึกอบรมแบบจำลองการจัดอันดับระบบประสาท （Cai et al., 2022, CIKM)
    • Simans: การสุ่มตัวอย่างเชิงลบที่คลุมเครืออย่างง่ายสำหรับการดึงข้อความหนาแน่น (Zhou et al., 2022, EMNLP) Image-20191107150755839
    • การเรียนรู้ที่แตกต่างของการเป็นตัวแทนประโยคที่ไม่ได้รับการดูแล （Zhou et al., 2022, ACL) Image-20191107150755839
    • การกู้คืนทองคำจากหาดทรายสีดำ: การดึงข้อความที่มีความหนาแน่นหลายภาษาด้วยตัวอย่างเชิงลบที่ยากและเท็จ （Shen et al., 2022, EMNLP) Image-20191107150755839
  • zero-shot/ไม่กี่นัด
    • การดึงการดึงแบบศูนย์การช็อตผ่านการสร้างแบบสอบถาม （Liang et al., 2020, arxiv)
    • การเรียกคืนระบบประสาทแบบไม่มีการยิงผ่านการสร้างคำถามสังเคราะห์ที่กำหนดเป้าหมายโดเมน (Ma et al., 2020, qgen , arxiv)
    • ไปสู่แบบจำลองการดึงประสาทที่แข็งแกร่งด้วยการฝึกอบรมก่อนการสังเคราะห์ （Reddy et al., 2021, arxiv)
    • Beir: เกณฑ์มาตรฐานที่แตกต่างกันสำหรับการประเมินผลแบบไม่มีการยิงของแบบจำลองการดึงข้อมูล （Thakur et al., 2021, Neurips)
    • การ ดึง ข้อมูลหนาแน่นเป็นศูนย์ด้วยการเป็นตัวแทนของการเป็นตัวแทนของโดเมนที่ไม่ได้ใช้งาน
    • ตัวเข้ารหัสคู่ขนาดใหญ่เป็นตัวดึงข้อมูลทั่วไป (Ni et al., 2022, EMNLP, DTR )
    • ความหมายนอกโดเมนเพื่อช่วยเหลือ! โมเดลการดึงไฮบริด Zero-shot （Chen et al., 2022, ECIR)
    • Inpars: การเพิ่มข้อมูลสำหรับการดึงข้อมูลโดยใช้แบบจำลองภาษาขนาดใหญ่ (Bonifacio et al., 2022, arxiv)
    • สู่การดึงข้อมูลหนาแน่นที่ไม่ได้รับการดูแลด้วยการเรียนรู้แบบตัดกัน （Izacard et al., 2021, arxiv, contiever )
    • GPL: การติดฉลากหลอกแบบกำเนิดสำหรับการปรับโดเมนที่ไม่ได้รับการดูแลของการดึงข้อมูลหนาแน่น （Wang et al., 2022, NAACL)
    • การเรียนรู้ที่จะดึงข้อความโดยไม่มีการกำกับดูแล (Ram et al., 2021, arxiv, Spider )
    • การตรวจสอบอย่างละเอียดเกี่ยวกับการดึงข้อมูลหนาแน่นเป็นศูนย์ （ren et al., 2022, arxiv)
    • ข้อความและรหัสฝังตัวโดยการฝึกอบรมก่อนการฝึกอบรม (Neelakantan และคณะ, 2022, arxiv)
    • การสร้างแบบจำลองโดเมนและความเกี่ยวข้องสำหรับการดึงความหนาแน่นที่ปรับได้ （Zhan et al., 2022, arxiv)
    • PreftingAgator: การดึงข้อมูลหนาแน่นไม่กี่ครั้งจาก 8 ตัวอย่าง （Dai et al., 2022, arxiv)
    • คำถามคือทั้งหมดที่คุณต้องฝึกอบรมทางเดินที่หนาแน่น （Sachan et al., 2022, tacl) Image-20191107150755839
    • Hyper: การฝึกอบรมแบบมัลติทาสก์ไฮเปอร์ที่ได้รับการฝึกอบรมช่วยให้การดึงข้อมูลทั่วไปขนาดใหญ่ （Cai et al., 2023, ICLR) Image-20191107150755839
    • COCO-DR: การต่อสู้การกระจายการเปลี่ยนแปลงในการดึงข้อมูลหนาแน่นเป็นศูนย์ด้วยการเรียนรู้ที่ตรงกันข้าม Image-20191107150755839
    • ความท้าทายในการวางนัยทั่วไปในการตอบคำถามโดเมนแบบเปิด （Liu et al., 2022, NAACL) Image-20191107150755839
  • ความทนทาน
    • สู่การดึงข้อมูลหนาแน่นที่แข็งแกร่งผ่านการจัดอันดับท้องถิ่น （Chen et al., 2022, IJCAI)
    • การจัดการกับการพิมพ์ผิดสำหรับการดึงข้อความและการจัดอันดับที่ใช้ Bert (Zhuang et al., 2021, EMNLP)
    • การประเมินความทนทานของท่อเรียกคืนด้วยเครื่องกำเนิดความแปรปรวนแบบสอบถาม （Penha et al., 2022, ECIR)
    • การวิเคราะห์ความทนทานของตัวเข้ารหัสคู่สำหรับการดึงข้อมูลหนาแน่นต่อการสะกดผิด (Sidiropoulos et al., 2022, Sigir)
    • ตัวละครและการสอนตัวเองเพื่อปรับปรุงความทนทานของการดึงข้อมูลหนาแน่นในการสอบถามด้วยการพิมพ์ผิด (Zhuang et al., 2022, Sigir)
    • Bert Rankers มีความเปราะบาง: การศึกษาโดยใช้การก่อกวนเอกสารที่เป็นปฏิปักษ์ （Wang et al., 2022, ICTIR)
    • คำสั่งซื้อ: การเลียนแบบการโจมตีที่เป็นปฏิปักษ์ต่อแบล็กบ็อกซ์โมเดลการจัดอันดับระบบประสาท blackbox （Liu et al., 2022, arxiv)
    • Pre-training Pre-Training สำหรับการดึงข้อมูลที่มีความหนาแน่นสูง (Zhuang et al., 2023, arxiv） Image-20191107150755839
  • การวิเคราะห์การตรวจสอบ
    • คำสาปของการดึงข้อมูลมิติต่ำหนาแน่นสำหรับดัชนีขนาดใหญ่ （Reimers et al., 2021, ACL)
    • การกำจัดความซ้ำซ้อนที่ไม่ได้รับการสนับสนุนอย่างง่ายและมีประสิทธิภาพในการบีบอัดเวกเตอร์หนาแน่นสำหรับการดึงเส้นทาง (Ma et al., Emnlp, 2021, ซ้ำซ้อน )
    • Beir: เกณฑ์มาตรฐานที่แตกต่างกันสำหรับการประเมินผลแบบไม่มีการยิงของแบบจำลองการดึงข้อมูล (Thakur et al., 2021, Neurips, การถ่ายโอน )
    • วลีสำคัญตระหนักถึงการดึงข้อมูลหนาแน่น: ผู้แก้ไขความหนาแน่นสามารถเลียนแบบหนึ่งได้หรือไม่ （Chen et al., 2021, arxiv)
    • คำถามที่เป็นศูนย์กลางอย่างง่าย ๆ ท้าทายผู้ติดตามความหนาแน่น (Sciavolino et al., 2021, EMNLP)
    • การตีความการดึงข้อมูลหนาแน่นเป็นส่วนผสมของหัวข้อ （Zhan et al., 2021, arxiv)
    • การวิเคราะห์แหล่งที่มาของตัวเข้ารหัสสำหรับการรีทรีเออร์ที่มีความหนาแน่น
    • การเป็นตัวแทน isotropic สามารถปรับปรุงการดึงข้อมูลหนาแน่น （Jung et al., 2022, arxiv)
  • การเรียนรู้อย่างรวดเร็ว
    • รูปแบบการจัดอันดับระบบประสาทแบบกึ่งเซียวโซมาสโดยใช้การปรับแต่งน้ำหนักเบา （Jung et al., 2022, www)
    • กระจัดกระจายหรือเชื่อมต่อ? วิธีการปรับแต่งพารามิเตอร์ที่มีประสิทธิภาพที่ดีที่สุดสำหรับการดึงข้อมูล （Ma et al., 2022, CIKM) Image-20191107150755839
    • DPTDR: การปรับแต่งอย่างลึกซึ้งสำหรับการดึงเส้นทางหนาแน่น （Tang et al., 2022, arxiv) Image-20191107150755839
    • การปรับแต่งพารามิเตอร์-ef fi cient ทำให้การดึงข้อความทางประสาททั่วไปและสอบเทียบ （Tam et al., 2022, arxiv) Image-20191107150755839
    • NIR-PROMPT: กรอบการฝึกอบรมการดึงข้อมูลทั่วไปแบบทั่วไปที่ทำงานร่วมกัน （Xu et al., 2022, arxiv) Image-20191107150755839
  • แบบจำลองภาษาขนาดใหญ่สำหรับการดึงข้อมูล
    • การดึงข้อมูลหนาแน่นเป็นศูนย์อย่างแม่นยำโดยไม่มีฉลากที่เกี่ยวข้อง （Gao et al., 2022, arxiv) Image-20191107150755839
  • คนอื่น
    • HLATR: ปรับปรุงการดึงข้อความหลายขั้นตอนด้วยรายการไฮบริดรับรู้การเปลี่ยนเส้นทางการวิ่งซ้ำ (Zhang et al., 2022, arxiv)
    • ASYNCVAL: ชุดเครื่องมือสำหรับการตรวจสอบจุดตรวจสอบความหนาแน่นแบบอะซิงโครนัสในระหว่างการฝึกอบรม (Zhuang et al., 2022, Sigir) Image-20191107150755839

วิธีการดึงแบบไฮบริด

  • อิงตามคำศัพท์
    • โมเดลการดึงข้อมูลแบบ monolingual และ cross-lingual โดยใช้คำว่าการฝังคำ (สองภาษา) （Vulic et al., 2015, Sigir, การรวมเชิงเส้น )
    • แบบจำลองภาษาทั่วไปที่ใช้การฝังคำสำหรับการดึงข้อมูล (Ganguly et al., 2015, Sigir, GLM )
    • เป็นตัวแทนของเอกสารและการสืบค้นเป็นชุดของคำที่ฝังตัวของเวกเตอร์สำหรับการดึงข้อมูล (Roy et al., 2016, Sigir, Linearly Combine )
    • โมเดลพื้นที่ฝังตัวคู่สำหรับการจัดอันดับเอกสาร （Mitra et al., 2016, WWW, DESM_MIXTURE , การรวมเชิงเส้น ))
    • ปิดเส้นทางที่ถูกตี: ลองแทนที่การดึงข้อมูลตามคำศัพท์ด้วยการค้นหา K-NN (Boytsov et al., 2016, CIKM, BM25+รูปแบบการแปล )
  • การเรียนรู้การเป็นตัวแทนไฮบริดเพื่อดึงคำถามที่เทียบเท่ากับความหมาย (Santos et al., 2015, ACL, Bow-CNN )
  • คำถามแบบเปิดโดเมนแบบเรียลไทม์ตอบด้วยดัชนีวลีหนาแน่น (Seo et al., 2019, ACL, Denspi )
  • การเป็นตัวแทนแบบเบาบางตามบริบทสำหรับคำถามแบบเปิดโดเมนแบบเรียลไทม์ （Lee et al., 2020, ACL, SPARC )
  • Cort: การจัดอันดับเสริมจาก Transformers （Wrzalik et al., 2020, NAACL, Cort_BM25 )
  • การเป็นตัวแทนที่กระจัดกระจายหนาแน่นและตั้งใจสำหรับการดึงข้อความ （Luan et al., 2020, TaCl, ME-HYBRID )
  • เติมเต็มรูปแบบการดึงคำศัพท์ด้วยการฝังตัวที่เหลืออยู่ （Gao et al., 2020, ECIR, Clear )
  • ใช้ประโยชน์จากการจับคู่ความหมายและคำศัพท์เพื่อปรับปรุงการเรียกคืนระบบดึงเอกสาร: วิธีการไฮบริด （Kuzi et al., 2020, arxiv, ไฮบริด )
  • บันทึกย่อสั้น ๆ เกี่ยวกับ DeepImpact, ขดลวดและกรอบแนวคิดสำหรับเทคนิคการดึงข้อมูล (Lin Lin et al., 2021, arxiv, unicoil )
  • ถ่วงน้ำหนักแบบออฟไลน์แบบออฟไลน์ตามบริบทสำหรับการดึงประสาทที่มีประสิทธิภาพและมีประสิทธิภาพ （Chen et al., 2021, Sigir)
  • การทำนายประสิทธิภาพ/ประสิทธิผลการแลกเปลี่ยนสำหรับการเลือกกลยุทธ์การดึงข้อมูลที่หนาแน่นและเบาบาง (Arabzadeh et al., 2021, CIKM)
  • ดัชนีไปข้างหน้าอย่างรวดเร็วสำหรับการจัดอันดับเอกสารที่มีประสิทธิภาพ (Leonhardt et al., 2021, arxiv)
  • การเป็นตัวแทนแบบเบาบางสำหรับการดึงข้อความโดยการแบ่งเป็นตัวแทน （Lin et al., 2021, arxiv)
  • Uni fi er: retriever uni fi ed สำหรับการดึงขนาดใหญ่ （Shen et al., 2022, arxiv)

ทรัพยากรอื่น ๆ

งานอื่น ๆ

  • การค้นหาอีคอมเมิร์ซ
    • เครือข่ายที่น่าสนใจลึกสำหรับการทำนายอัตราการคลิกผ่าน (Zhou et al., 2018, KDD, DIN )
    • ตั้งแต่การดึงความหมายไปจนถึงการจัดอันดับคู่: การเรียนรู้อย่างลึกซึ้งในการค้นหาอีคอมเมิร์ซ (Li et al., 2019, Sigir, Jingdong)
    • เครือข่ายหลายดอกเบี้ยพร้อมการกำหนดเส้นทางแบบไดนามิกสำหรับคำแนะนำที่ Tmall （li et al., 2019, cikm, mind , tmall)
    • สู่การดึงข้อมูลส่วนบุคคลและความหมาย: โซลูชันแบบ end-to-end สำหรับการค้นหาอีคอมเมิร์ซผ่านการฝังการเรียนรู้แบบฝัง (Zhang et al., 2020, Sigir, DPSR , Jingdong)
    • เครือข่ายหลายดอกเบี้ยที่ลึกสำหรับการทำนายอัตราการคลิกผ่าน (Xiao et al., 2020, CIKM, DMIN )
    • การดึงข้อมูลลึก: โมเดลโครงสร้างที่เรียนรู้แบบ end-to-end สำหรับคำแนะนำขนาดใหญ่ （Gao et al., 2020, arxiv)
    • การดึงผลิตภัณฑ์แบบฝังในการค้นหา Taobao (Li et al., 2021, KDD, Taobao)
    • การรวบรวมโครงสร้างในข้อมูลสำหรับการค้นหาผลิตภัณฑ์ความหมายหลายพันล้านครั้ง (Lakshman et al., 2021, arxiv, Amazon)
  • การค้นหาที่ได้รับการสนับสนุน
    • Mobius: ไปสู่การจับคู่แบบสอบถามรุ่นต่อไปในการค้นหาที่ได้รับการสนับสนุนจาก Baidu (Fan Fan et al., 2019, KDD, Baidu)
  • การดึงภาพ
    • เครือข่ายระบบประสาทไบนารีสำหรับการดึงภาพ （Zhang et al., 2021, Sigir, Bnnh )
    • การแฮชแบบปรับตัวเองลึกสำหรับการดึงภาพ (Lin et al., 2021, CIKM, DSAH )
  • รายงานการประชุมเชิงปฏิบัติการ Hipstir ครั้งแรกเกี่ยวกับอนาคตของการดึงข้อมูล (Dietz et al., 2019, Sigir, Workshop)
  • มาวัดเวลาทำงานกันเถอะ! การขยายโครงสร้างพื้นฐานการจำลองแบบ IR เพื่อรวมถึงด้านประสิทธิภาพ (Hofstätter et al., 2019, Sigir)
  • การค้นพบแบบฝังใน Facebook Search (Huang et al., 2020, KDD, EBR ）
  • การเรียนรู้รหัสไม่ต่อเนื่อง K-Way D-dimensional สำหรับการเป็นตัวแทนการฝังตัวขนาดกะทัดรัด （Chen et al., 2018, ICML)

ชุดข้อมูล

  • 【 MS Marco 】 MS Marco: ชุดข้อมูลความเข้าใจในการอ่านของเครื่องจักรมนุษย์ที่สร้างขึ้น
  • 【 TREC Car 】 TREC Complex คำตอบภาพรวมการดึงข้อมูล
  • 【 TREC DL 】ภาพรวมของ TREC 2019 Deep Learning Track
  • 【 trec covid 】 trec-covid: การสร้างคอลเลกชันการทดสอบการดึงข้อมูลการระบาด

วิธีการจัดทำดัชนี

  • เกี่ยวกับต้นไม้
    • ต้นไม้ค้นหาไบนารีหลายมิติที่ใช้สำหรับการค้นหาแบบเชื่อมโยง （1975, KD Tree )
    • รบกวน
  • ที่ใช้แฮช
    • เพื่อนบ้านที่ใกล้ที่สุดโดยประมาณ: เพื่อลบคำสาปของมิติ （1998, LSH )
  • ตามปริมาณ
    • ปริมาณผลิตภัณฑ์สำหรับการค้นหาเพื่อนบ้านที่ใกล้ที่สุด （2010, PQ )
    • ปริมาณผลิตภัณฑ์ที่ดีที่สุด （2013, OPQ )
  • อิงกับกราฟ
    • การนำทางในโลกเล็ก ๆ （2000, NSW )
    • การค้นหาเพื่อนบ้านที่ใกล้ที่สุดที่มีประสิทธิภาพและมีประสิทธิภาพโดยประมาณโดยใช้กราฟโลกขนาดเล็กที่นำทางได้ตามลำดับชั้น （2018, HNSW )
  • ชุดเครื่องมือ
    • FAISS: ห้องสมุดสำหรับการค้นหาความคล้ายคลึงกันอย่างมีประสิทธิภาพและการจัดกลุ่มของเวกเตอร์หนาแน่น
    • Sptag: ห้องสมุดสำหรับการค้นหาเพื่อนบ้านที่ใกล้ที่สุดโดยประมาณที่รวดเร็ว
    • OpenMatch: แพ็คเกจโอเพนซอร์ซสำหรับการดึงข้อมูล
    • Pyserini: ชุดเครื่องมือ Python สำหรับการวิจัยการดึงข้อมูลที่ทำซ้ำได้ด้วยการเป็นตัวแทนที่กระจัดกระจายและหนาแน่น
    • Elasticsearch
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด