超级会员免费看
DeepRank 是一种新型的深度学习架构，旨在模拟人类进行相关性标注的过程，用于信息检索中的相关性排序。它通过检测相关位置、使用CNN或2D-GRU的度量网络判断局部相关性，以及利用RNN的聚合网络生成全局相关性得分。与现有深度学习方法相比，DeepRank在LETOR 4.0和ChineseClick数据集上表现出色，证明了其捕获关键IR特征的能力，如精确匹配、语义匹配和位置启发式。
Abstract
本文提出一种在信息检索中进行相关性排序的深度学习方法。
已有的深度学习方法，如 DSSM，CDSSM 等直接应用神经网络来生成排序得分，并没有显式地理解相关性。
人类进行相关性标注的过程大概分为三步：
- 检测相关位置
- 判断局部相关性
- 聚合局部相关性，生成最终的相关性标签
本文提出一种新的深度学习架构 DeepRank 来模拟上述人工标注过程。
- 设计一种检测策略来发现相关的上下文
- 使用一个度量网络来判断局部相关性
- 卷积神经网络 (CNN)
- 二维门控循环单元 （2D-GRU）
- 最终使用一个聚合网络来产生全局相关性得分
- sequential integration
- term gating mechanism
DeepRank 很好地捕获了重要的 IR 特征，包括：
- exact/semantic matching signals
- proximity heuristics
- query/term importance
- diverse relevance requirement
试验显示，DeepRank 效果超
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
