WWW 2021｜基于图神经网络的分级相关性匹配

最新推荐文章于 2022-12-23 18:02:36 发布
最新推荐文章于 2022-12-23 18:02:36 发布
阅读量863 收藏 2
点赞数
文章标签： 人工智能 知识图谱 计算机视觉 编程语言 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/c9Yv2cf9I06K2A9E/article/details/115451169
版权
本文提出了一种基于图的分层相关性匹配模型（GHRM），用于解决ad-hoc检索中长距离单词关系和不同粒度信息的忽略问题。通过构建word-word图，利用图神经网络捕捉信息，通过分级匹配和节点筛选，获取匹配信号。实验证实在Robust和Clueweb09数据集上，GHRM优于传统和神经信息检索模型。
摘要由CSDN通过智能技术生成

©PaperWeekly 原创 · 作者｜金金

单位｜阿里巴巴研究实习生

研究方向｜推荐系统

论文标题：

Graph-based Hierarchical Relevance Matching Signals for Ad-hoc Retrieval

论文来源：

WWW 2021

论文链接：

https://arxiv.org/abs/2102.11127

简介

本文由中科院发表于 WWW 2021。ad-hoc retrieval 是根据查询和文档集合对相关文档进行排名。研究界已经提出了一系列基于深度学习的方法来解决该问题。

但是，本文作者认为它们忽略了长距离文档级单词关系。为了解决该问题，作者通过图结构显式地建立文档级单词关系的模型，并通过图神经网络捕获信息。

另外，由于文档收集的复杂性和规模，探索不同粒度的层次匹配信号是相当重要的。因此，作者提出了一种基于图的分层相关性匹配模型（GHRM），通过该模型可以同时捕获

最低0.47元/天 解锁文章
PaperWeekly
关注
Halcon——模板匹配之相关性匹配
jiDxiaohuo的博客
09-29 1955
文章目录determine_ncc_model_params(Template : : NumLevels, AngleStart, AngleExtent, Metric, Parameters : ParameterName, ParameterValue)create_ncc_model(Template : : NumLevels, AngleStart, AngleExtent, Ang...
图神经匹配（2020CIKM）
qq_43390809的博客
12-03 534
标题：Learning Better Representations for Neural Information Retrieval with Graph Information 动机 神经网络排序模型近年来在信息检索领域得到了广泛的关注，并取得了良好的排名性能。然而，这些检索模型大多侧重于捕获查询和文档之间的文本匹配信号，而没有考虑可能有助于检索任务的用户行为信息。具体来说，用户的点击和查询重构行为可以分别用点击通过二部图和会话流图来表示。这种图形表示包含了丰富的用户行为信息，可以帮助我们更好地理解用.
神经网络相关模型
Boys_Wu的博客
11-13 315
1、逻辑回归模型 Logistic Regression模型：y’ = σ(WTx+b)，记住使用的激活函数σ( )是sigmoid函数。 损失函数：L(y’,y) = -[y·log(y’)+(1-y)·log(1-y’)]衡量预测值y’与真实值y的差距，越小越好。 代价函数：损失均值，J(W,b) = 1/m·Σmi=1L(y’(i),y(i))，是W和b的函数，学习的过程就是寻找W和b使得J(W,b)最小化的过程。求最小值的方法是用梯度下降法。 训练模型的步骤： 初始化W和b 指定learning r
m基于GNN图神经网络的目标匹配分析matlab仿真
最新发布
fpga/matlab/simulink算法仿真工程
12-23 1043
在这些神经网络模型中，连通性根据预定义的图描述，网络的连接自然属性上是循环周期性的，神经元的状态通过达到一个平衡点来计算。在图.1(b)，一张图片由区域邻接的图表示，其中节点表示强度上具有同性质的区域，弧线表示他们的邻接关系。但在一些应用中，信息组织在一些更为复杂的图结构中，比如树，非循环图或循环图中，数据关系开采 已经成为归纳逻辑设计工作室许多研究的主题，并且近年来这项研究主题已经深化到诸多不同领域，当然这和数理统计和神经网络的相关概念在这些领域的应用密不可分。另一个例子来自网络。在聚焦节点的应用中，
SuperGlue:基于图神经网络和注意力机制的特征点匹配网络
热门推荐
迦小叶的博客
09-13 1万+
SuperGlue Background SuperGlue是Magicleap团队在SuperPoint后的又一力作，其思路与方法之巧妙不输SuperPoint，完成的任务也是传统视觉问题中特征点提取和描述（SuperPoint）的后一步–特征点匹配。 说起匹配，最传统的就是直接根据上一步提取出的特征描述子，计算两者间的欧式距离来衡量匹配的概率，也就是俗称的最近邻搜索（NN Search）。最近几年，随着深度学习的发展，有学者将处理点云数据的网络PointNet应用到匹配任务中，如PointCN，OAN
图解神经网络的基本原理,图神经网络和神经网络
aifans_bert的博客
08-21 765
接下来就要进行仿真预测了t_1=sim(net,p)，net就是你建立的那个网络，p是输入数据，由于网络的权值已经确定了，我们这时候就不需要知道t的值了，也就是说不需要知道他是苹果还是橘子了，而t_1就是网络预测的数据，它可能是1或者是2，也有可能是1.3，2.2之类的数（绝大部分都是这种数），那么你就看这个数十接近1还是2了，如果是1.5，我们就认为他是苹果和橘子的杂交，呵呵，开玩笑的，遇到x=2.5，我一般都是舍弃的，表示未知。神经网络的图像识别系统是神经网络模式识别系统的一种，原理是一致的。
"TransforMatcher: 基于Transformer网络的语义图像匹配学习
在这项工作中，我们引入了一个强大的语义图像匹配学习，称为transforMatcher，它建立在Transformer网络在视觉领域的成功与现有的基于卷积或注意力的对应方案不同，TransforMatcher执行全局匹配注意力，以实现精确的...
自监督图相似性学习的对比图匹配网络
+v：mala2277获取更多论文CGMN：一种用于自监督图相似性学习的迪金...由于大多数现有的图神经网络产生有效的图表示的一个单一的图，很少努力已经联合学习两个图表示和计算它们的相似性得分。此外，现有的无监督图相似性
dotnet-SVMNeuroMatching机器学习神经网络匹配中文文本分类聚类
08-15
SVM Neuro Matching 机器学习 神经网络 匹配 中文文本分类聚类
图像匹配利用相关系数做的匹配很好用
12-01
很好用的一个程序得到我的验证 是一个非常好用的程序
【paper总结】图神经网络+nlp（文本分类、匹配）
Jaggar_csdn的博客
06-18 4023
1.用图的分解和卷积来做文本匹配 https://www.aclweb.org/anthology/P19-1632.pdf 2.图表示解决长文本关系匹配问题：腾讯提出概念交互图算法 论文地址：https://arxiv.org/abs/1802.07459 相关数据资源：https://github.com/BangLiu/ArticlePairMatching 3. alberta doctor https://sites.ualberta.ca/~bang3/publication.html http
Halcon学习笔记之模板匹配-基于相关性的匹配
weixin_44506305的博客
03-06 908
asacasca
halcon原理：相关性匹配
gongdiwudu的专栏
05-30 6396
一、基本原理；NCC是基于统计学计算两组样本的相关性算法，其取值范围为【-1，1】之间，而对图像来说，每个像素看成RGB的向量，整个图像就是一个样本集合。如果它有一个子集，与另一个样本数据相互匹配，则它的NCC值为1；表示相关性很高，如果是-1，表完全无关；基于此原理实现模板的匹配识别，其第一步需要归一化数据，数学公式： 其中，f表示p点灰度值，表示窗口内像素平均值，表示标准方差。 假如t表示模板像素值，则： 其中n是模板像素总数，n-1是自由度。 二、实现方法 1）获取模板像素的均值、
第四章 构建关系网络和匹配网络
王小波的博客
09-04 3553
关系网络 关系网络由两个重要的函数组成：嵌入函数和关系函数。嵌入函数用于从输入中提取特征。如果输入是图像，那么可以使用卷积网络作为嵌入函数，它会提供图像的特征向量，如果输入是文本，那么可以使用LSTM网络获得文本的嵌入。 零样本学习中的关系网络 零样本学习场景中，每个类下都没有数据点，但会有元信息。元信息是关于每个类的属性的信息，元信息会被编码到语义向量Vc中，下标c表示类别。没有使用单一的嵌入函数来学习支撑集和查询集的嵌入，而是分别使用了两个不同的嵌入函数，使用第一个函数学习语义向量的嵌入，使..
基于相关性（NCC）的模板匹配Halcon
sinat_31608641的博客
06-02 5837
一、原理 归一化相关性.NCC，(normalization cross-correlation)，顾名思义，就是用于归一化待匹配目标之间的相关程度，注意这里比较的是原始像素。通过在待匹配像素位置p（px，py）构建3*3邻域匹配窗口，与目标像素位置p'(px+d,py）同样构建邻域匹配窗口的方式建立目标函数来对匹配窗口进行度量相关性。它是基于图像灰度信息的匹配方法。 NCC的定义 在[-1,1]绝对尺度范围之间衡量两者的相似性。相关系数刻画了两者之间的近似程度的线性描述。一般说来，越接近于1，两
Halcon 第五章『模板匹配Matching』◆第3节：基于相关性的模板匹配|Correlation-Based
Halcon机器视觉
04-22 3999
一、介绍 基于相关性的模板匹配其实是另一种基于灰度值的匹配的方法，不过它的特点是使用一种归一化的互相关匹配（Normalized Cross Correlation，NCC）来衡量模板图像和检测图像之间的关系，因此，在光照方面受的影响比较小。 与经典的基于灰度值的匹配算法不同的是，它的速度要快很多，并且能够适应线性光照变化；与基于形状模板的匹配算法相比，它的优势是对一些形状有细微变化的、纹理复杂的或者是聚焦模糊的检测图像都能检测到，支持有轻微形变的搜索，能...
Graph-based Hierarchical Relevance Matching Signals for Ad-hoc Retrieval
qq_43390809的博客
03-04 430
abstract 本文提出了一个基于图的分层相关匹配模型（GHRM），它可以同时捕获subtle 和general的层次匹配信号。 https://github.com/CRIPAC-DIG/GHRM 1.介绍 分层查询文档相关性匹配过程示例。(a)查询和候选文档(省略部分文字)。(b)文档中部分文字图。（c）包含关键词并丢弃与查询无关的词的层次图： 3 PROPOSED METHOD 3.1 Problem Formulation 查询和文档： 本文目的是对关于查询词和文档词的一系列相.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值