本文分享了三篇关于推荐系统和检索优化的论文，涉及预训练技术、双塔DSSM模型与交互式DSSM模型的对比，以及late fusion策略在召回侧和粗排的应用。论文探讨了如何提升问答任务的性能，优化超大规模检索效率，旨在提高召回率和精度。
看到三篇干货满满&&很实用的相关性优化paper，先上论文大餐。
https://arxiv.org/pdf/2002.03932.pdf
Google的paper（How to pretrain？），主要是讲怎么样更好的设计pretrain任务，用于问答任务。
https://arxiv.org/pdf/2004.12832.pdf
Stanford的paper（How to late fusion？），主要是讲怎么样更好的让query和doc进行late fusion，用于召回侧&&粗排？相比双塔dssm模型，recall更优；相比交互式dssm模型，效率上更优。此外，召回侧可以使用faiss超大规模检索，用于工业界的搜索/推荐等系统。
https://arxiv.org/pdf/1905.01969.pdf
Facebook的paper（How to late fusion？），和上个p
最低0.47元/天 解锁文章
扫一扫
2376
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
