Deep Neural Network for Learning to Rank Query-Text Pairs阅读笔记

最新推荐文章于 2020-12-04 14:04:03 发布
最新推荐文章于 2020-12-04 14:04:03 发布
阅读量1k 收藏 4
点赞数 2
分类专栏： 论文笔记 文章标签： 信息检索 论文笔记
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/qq_37146847/article/details/98502377
版权
Deep Neural Network for Learning to Rank Query-Text Pairs论文 读书笔记）论文概要Learning to Rank Short Text Pairs with Convolutional Deep Neural Networks概要该方法的缺点ConvRankNetSiamese CNN encoderRankNet实验结果参考文献：论文概...
摘要由CSDN通过智能技术生成

Deep Neural Network for Learning to Rank Query-Text Pairs阅读笔记）

论文概要

  • 目的

    在论文Learning to Rank Short Text Pairs with Convolutional Deep Neural Networks的基础上进一步优化，提出一个完全端到端的L2R框架

  • 主要模型和算法

    本文中建造了一个强大的L2R框架——ConvRankNet。

    由一个Siamese Convolutional Neural Network Encoder（用于提取q,d对的特征向量）和RankNet组成。

  • 评价指标

    NDCG

  • 性能

    线性时间

  • 实验数据

    OHSUMED

Learning to Rank Short Text Pairs with Convolutional Deep Neural Networks概要

本论文是基于Learning to Rank Short Text Pairs with Convolutional Deep Neural Networks这篇论文的一个改良

Learning to Rank Short Text Pairs with Convolutional Deep Neural Networks的主要算法如下图：

最低0.47元/天 解锁文章
Becca Ye
关注
  • 2
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
CNN Reranking Question-Answer Pairs 句子矩阵宽卷积和窄卷积方法
daodaojiejacket的专栏
04-27 2056
这两天在看用CNN计算问答对相关性的论文。看到两篇论文，分别用宽卷积和窄卷积对句子进行卷积，记录一下。一篇是Severyn A, Moschitti A. Modeling Relational Information in Question-Answer Pairs with Convolutional Neural Networks[J]. 2016（论文稍微有点老），通过对问答对的句子emb
Learning to Rank Short Text Pairs with Convolutional Deep Neural Networks（阅读理解）
u014029197的博客
05-17 1713
本文重点：和一般形式的文本处理方式一样，并没有特别大的差异，文章的重点在于提出了一个相似度矩阵计算过程介绍：query和document中的首先通过word embedding处理后获得对应的表示矩阵利用CNN网络进行处理获得各自的feature map，接着pooling后获得query对应的向量表示Xq和document的向量Xd不同于传统的Siamense网络在这一步利用欧式距离或余弦距离直...
TextPair数据结构
weixin_41257555的博客
11-17 547
目录1 说明2 代码3 参考资料 1 说明 写MapReduce程序是，有时需要用的两个Text组成的TextPair这种数据结构，这里给出相应代码。 2 代码 import org.apache.hadoop.io.Text; import org.apache.hadoop.io.WritableComparable; import org.apache.hadoop.io.WritableComparator; import org.apache.hadoop.io.WritableUtils; i
论文阅读：Neural Ranking Models with Multiple Document Fields
RUCblake的博客
08-26 931
本文探讨一个基于多源文档片段的排序模型，所谓多源文档片段与传统的query对应document的区别在于，document不仅仅包含文档内容和文档标题，还包括一些其他信息，比如相关链接的文档内容、引导点击对应文档的query（clicked query），如何将这些信息都利用上就成为了一个新的问题，文章提出了一个解决该问题的模型。 首先，模型的整体思路是将query和document 分别表示成...
Imagenet classification with deep convolutional neural networks
x251140的博客
07-12 833
alexnet:2012,共包含8层(不算input层)，其中前5层是cnn，后面3层是全连接的网络。它有60M以上的参数总量。虚线是分开的或者交叉的，说明之后的map是由前面独立或者联合得到的。LRN层，做的事是对当前层的输出结果做平滑处理。 data augmentation： 对训练数据进行左右对称以及平移变换，将训练数据增加为原来的2048倍；对像素进行PCA变换构
LSTM-Neural-Network-for-Time-Series-Prediction-master.rar
06-13
标题中的“LSTM-Neural-Network-for-Time-Series-Prediction-master”暗示了这是一个关于使用长短期记忆（LSTM）神经网络进行时间序列预测的项目。时间序列预测是一种利用历史数据来预测未来的统计方法，特别适合...
Deep Learning for Computer Vision - Introduction to Convolution Neural Networks
02-11
介绍深度学习在计算机视觉方面的应用，很好的材料，有详细的实例和代码
学习论文 “Edge-Labeling Graph Neural Network for Few-shot Learning”笔记
01-06
个人笔记对模型数学上的解读部分很大程度上受到这篇博客的启发与参考 Notation T=S∪QT=S \cup QT=S∪Q,support set and query set, support set SSS in each episode serves as the labeled training set xix_ixi​...
Deep-Convolutional-Neural-Network-for-Inverse-Problems-in-Imagin
12-06
标题中的"Deep-Convolutional-Neural-Network-for-Inverse-Problems-in-Imaging"指的是一种深度卷积神经网络（Deep Convolutional Neural Network, DCNN）在成像领域的逆问题解决方法。逆问题是图像处理中的一个关键...
论文阅读：ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation
01-07
文章目录1 摘要2 亮点2.1 initial模块和bottlebeck模块2.1.1 initial模块2.1.2 bottlebeck模块2.2 PReLU2.3 普通卷积、非对称卷积、空洞卷积混合使用2.4 ENet总体结构3 效果4 结论5 参考资料 1 摘要 ...
Learning-To-Rank:一些学习排名算法的实现
04-19
学习到排名 实现了一些学习排名算法。 该项目是为了更好地理解学习排名理论而进行的练习。 当前，它包含PRank和RankNet算法的实现。
Deep Learning and Convolutional Neural Networks for Medical Image Computing
08-11
Deep Learning and Convolutional Neural Networks for Medical Image Computing: Precision Medicine, High Performance and Large-Scale Datasets (Advances in Computer Vision and Pattern Recognition) by Le Lu, Yefeng Zheng, Gustavo Carneiro, Lin Yang 2017 | ISBN: 3319429981 | English | 326 pages | PDF | 14 MB This book presents a detailed review of the state of the art in deep learning approaches for semantic object detection and segmentation in medical image computing, and large-scale radiology database mining. A particular focus is placed on the application of convolutional neural networks, with the theory supported by practical examples. Features: highlights how the use of deep neural networks can address new questions and protocols, as well as improve upon existing challenges in medical image computing; discusses the insightful research experience of Dr. Ronald M. Summers; presents a comprehensive review of the latest research and literature; describes a range of different methods that make use of deep learning for object or landmark detection tasks in 2D and 3D medical imaging; examines a varied selection of techniques for semantic segmentation using deep learning principles in medical imaging; introduces a novel approach to interleaved text and image deep mining on a large-scale radiology image database.
Convolutional Neural Networks for Sentence Classification（阅读理解）
u014029197的博客
05-17 432
1原理图2介绍在原文中，用了6个卷积核对原词向量矩阵进行卷积，如上图所示；然后进行池化，对相同卷积核产生的特征图进行连接；再进行softmax输出2个类别。核心点在于可以捕捉局部相关性，具体到文本分类任务中可以利用CNN来提取句子中类似 n-gram 的关键信息。TextCNN详细过程：第一层是图中最左边的7乘5的句子矩阵，每行是词向量，维度=5，这个可以类比为图像中的原始像素点了。然后经过有 f...
论文解读—— DeepRank: A New Deep Architecture for Relevance Ranking in Information Retrieval
qq_33004293的博客
03-14 2470
Session-based recommendations with recurrent neural networks（阅读理解）
u014029197的博客
06-08 3109
本文是最大贡献在于第一次将RNN使用到Session-based Recommendation中作者将用户的行为作为看做是序列问题，有效的将时间信息添加到网络中，在传统的两类推荐方法中——基于内容的推荐算法和协同过滤推荐算法（model-based、memory-based）在刻画序列数据中存在缺陷：每个item相互独立，不能建模item的连续偏好信息，缺失了整个序列的休息。而本文的方法恰好运用到...
ABCNN: Attention-Based Convolutional Neural Network for Modeling Sentence Pairs（阅读理解）
u014029197的博客
06-08 3844
首先这张图片是本文的基础模型，后续的工作以此展开。BCNN是一个没有添加Attention的模型输入层输入句子进行padding后转化成词向量卷积层一个窗口最后只生成一个卷积值，然后再句子长度上进行滑动，得到一个长度为sent_len+ws-1的向量（wide conv）pooling层 论文中提到了两种pooling层，一种是最后一个pooling层–all-ap，还有一种是中间卷积层所用的po...
Multi-Perspective Sentence Similarity Modeling with Convolutional Neural Networks的理解以及翻译
chenmingwei000的博客
10-10 918
模型关于语句的相似度，由于变异以及长短不同表达，设计了一个这些中间，探究了输入的多个角度运用多个卷积类型以及多种类型的pooling，类似于运用了多个相似度函数。模型包括两个组成部分如图： 如图1，两个输入的句子由两个并行的神经网络处理，输出句子representation，两个句子表示由一个结构化的相似性测量层，然后相似性的特征通过一个全连接来最终计算相似度。 1、第一部分，为了句子相似...
排序学习(learning to rank)中的ranknet pytorch简单实现
weixin_30627381的博客
03-03 1273
一.理论部分 　　理论部分网上有许多，自己也简单的整理了一份，这几天会贴在这里，先把代码贴出，后续会优化一些写法，这里将训练数据写成dataset,dataloader样式。 　　排序学习所需的训练样本格式如下： 　　 　　解释：其中第二列是query id，第一列表示此query id与这条样本的相关度（数字越大，表示越相关），从第三列开始是本条样本的特征向量。 RankNet： ...
.net 父子级关联排序_LTR排序算法LambdaRank原理详解
weixin_31138555的博客
12-04 385
1.前言在互联网应用场景中，排序是非常核心的模块。一个最直接的应用，就是日常生活常用到的搜索引擎。用户通过搜索框提交query，搜索引擎会返回一些与query相关的文档，并根据相关度大小排序后展示给用户。这一应用场景中，最相关的一些文档能否通过排序后优先展示，将直接影响用户。除些之外，排序算法也应用于在线广告、协同过滤、多媒体检索等领域。传统排序方法，基于人工方式做策略组合，在数据量较小...
复现lstm-neural-network-for-time-series-prediction
最新发布
08-07
LSTM神经网络是一种在时间序列预测中广泛应用的深度学习模型。在复现"lstm-neural-network-for-time-series-prediction"这个项目时，可以按照以下步骤进行： 1. 导入所需的Python库，包括Keras和Numpy等。 2. 准备数据集，包括训练集和测试集。可以使用已有的时间序列数据，如股票价格或天气数据。 3. 对数据进行预处理。可以使用特征缩放、平滑或差分等方法来准备数据输入。 4. 构建LSTM模型。可以使用Keras库中的LSTM类来构建模型，通过设置不同的参数来调整模型的结构和性能。 5. 编译和训练模型。使用适当的损失函数和优化器编译模型，并使用训练集进行迭代训练。 6. 进行预测和评估。使用训练好的模型对测试集进行预测，计算预测值与真实值之间的差异，评估模型的性能。 7. 可以根据需要进行调整和优化。如调整模型结构、参数调优、使用其他技术来提高模型的准确性。 此项目的核心是使用LSTM神经网络对时间序列数据进行预测。通过使用适当的数据预处理和模型构建，可以提高模型的预测准确性。最终的目标是根据已有的时间序列数据对未来的趋势进行预测。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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