Query Performance Prediction （查询性能预测）学习笔记（一）

最新推荐文章于 2024-08-16 12:35:24 发布
最新推荐文章于 2024-08-16 12:35:24 发布
阅读量1.7k 收藏
点赞数 1
分类专栏： Query Performance Prediction 文章标签： 信息检索 查询性能预测
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/u013854886/article/details/21337575
版权
本文是关于Query Performance Prediction的初步学习笔记，主要探讨了查询性能预测的概念。
摘要由CSDN通过智能技术生成

1.Query Performance Prediction概述

	信息检索（Information Retrieval）是指信息按一定的方式组织起来，并根据用户的信息需要找出有关的信息的过程和技术，它涉及到信息的获取、表示、组织、存储及访问等问题。信息检索包含文本检索，图片检索，以及声音检索等等，其中文本检索是一门具有悠久研究历程并且已经大规模应用的技术。文本检索的任务主要是研究如何从给定的无结构或半结构化文档集中找到与用户查询相关的文档，并按照文档与查询之间的相关程度从高到低，对文档进行排序并将排序结果返回给用户。文本检索的研究取得了很大的进展,许多检索模型被相继提出来并在实践中不断得到检验、改进和验证.但是大多数检索系统还存在着严重的鲁棒性问题,对于某些查询，检索结果与查询很相关，而对于其它查询，检索结果中含有很多余查询无关的文档，即针对不同
最低0.47元/天 解锁文章
MultiMediaGroup_USTC
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
使用 Python 从头开始​​构建百万参数 LLM
禅与计算机程序设计艺术
12-22 129
使用 Python 从头开始​​构建百万参数 LLM: A Step-by-Step Guide to Replicating LLaMA Architecture 复制 LLaMA 架构的分步指南
任务简介（Query Performance Prediction）
qq_43391414的博客
11-13 446
查询性能预测（Query Performance Prediction，简称QPP）。 用户向搜索系统提交一个查询，搜索系统就返回结果。现在搜索系统希望多一个功能，即告诉用户，这次返回的结果是差还是好。如果是差，那么用户可能会调整自己的查询，重新提交给搜索系统。 不但如此，搜索系统可以先不要把结果给用户，先QPP一下，如果差就调整结果，直到比较好了，再返回给用户。 TREC于2003年在Ad hoc检索任务的基础上提出了Robust任务，旨在关注检索系统的鲁棒性问题。信息检索的顶级会议ACM SIGIR也于
文本检索的查询性能预测
02-06
目前,查询性能预测(predicting query performance,简称PQP)已经被认为是检索系统最重要的功能之一.近几年的研究和实验表明,PQP技术在文本检索领域有着广阔的发展前景和拓展空间.对文本检索中的PQP进行综述,重点论述其主要方法和关键技术.首先介绍了常用的实验语料和评价体系;然后介绍了影响查询性能的各方面因素;之后,按照基于检索前和检索后的分类体系概述了目前主要的PQP方法;简介了PQP在几个方面的应用;最后讨论了PQP所面临的一些挑战.
基于DNN+GBDT的Query类目预测融合模型
weixin_34268753的博客
02-01 1557
1.Query类目预测与分析 用户搜索意图的理解在搜索排序体系下有着重要的作用。要理解用户的意图，一部分可以通过用户的关键词文本来理解语义上的意图；另一方面可以通过用户的行为积累来获得用户的潜在需求意图，即基于用户行为的意图预测。 文本意图中的类目意图预测是淘宝搜索相关性中的重要组成部分。商品在关键词索引召回之后，在第一轮海选粗...
Analyze Query Performance
huyangg的专栏
12-26 255
On this page Evaluate the Performance of a QueryCompare Performance of IndexesAdditional Resources The cursor.explain("executionStats") and the db.collection.explain("executionStats")
如何预估索引性能？
weixin_34015860的博客
12-20 132
2019独角兽企业重金招聘Python工程师标准>>> ...
SQL Server 2017 Query Performance Tuning
09-04
《SQLServer 2017功能架构》第五版。内含epub和pdf，均为英文版文字版。
【论文阅读】Knockoff Nets: Stealing Functionality of Black-Box Models（2019）
最新发布
Glass_Gun的博客
08-16 1087
这篇论文《Knockoff Nets: Stealing Functionality of Black-Box Models》由Tribhuvanesh Orekondy、Bernt Schiele和Mario Fritz撰写，探讨了在黑盒交互条件下，攻击者能够多大程度上复制一个“受害者”机器学习模型的功能。问题背景机器学习模型，尤其是深度神经网络，被广泛部署在各种应用中以提高效率或用户体验。开发这些模型需要大量的时间、金钱和人力，但一旦部署，它们可能面临被攻击者复制功能的风险。研究问题。
【论文笔记】LXMERT: Learning Cross-Modality Encoder Representations from Transformers
gjh1716718326的博客
12-21 993
Vision-and-language reasoning requires an understanding of visual concepts, language semantics, and, most importantly, the alignment and relationships between these two modalities. 做视觉文本的理解任务，需要模型能理解视觉概念和文本语义信息，但最重要的是视觉和文本的对齐问题。 数据库：VQA GQA NLVR .
【ChatGPT模型精调训练】AI 大模型精调 Fine-Tuning （微调）训练图文代码实战详解
禅与计算机程序设计艺术
03-09 712
选择预训练模型：选择一个在类似任务上已经训练好的模型作为起点。数据准备：准备并预处理你的数据集，使其适合模型的输入格式。微调：在你的特定数据集上继续训练模型，调整模型的权重。评估：评估微调后模型的性能。应用：将微调后的模型部署到实际应用中。Fine-Tuning（精调）是指在预训练模型的基础上，对模型进行微调，使其适应特定任务。预训练模型通常在大量无标签数据上进行训练，以学习通用的语言表示。通过 Fine-Tuning，我们可以在较小的标签数据集上训练模型，以便模型能够更好地解决特定任务。
医疗搜索中的query词权重算法探索
zenRRan的博客
05-22 1119
点击下面卡片，关注我呀，每天给你送来AI技术干货！来自：丁香园大数据前言计算query词权重（术语权重，也称作Term Necessity，Query Term Weight）是IR研究中...
【参赛作品93】openGauss-An Autonomous Database【PVLDB论文阅读分享】
Gauss松鼠会
12-25 6595
本文基于openGauss在VLDB2021上最新发表的论文《openGauss: An Autonomous Database System》，从学术的角度来探究openGauss如何基于各种AI技术构建一个智能的自治数据库系统。论文作者是清华大学李国良教授，他同时也是openGauss的总架构师。本文主要是对论文的阅读笔记和个人见解，如有错误，欢迎各位指正！
【论文笔记】Graph Embedding Techniques, Applications, and Performance: A Survey
煎饼加鸡丝
07-07 4272
https://arxiv.org/pdf/1705.02801.pdf 这篇论文列举了目前graph embedding算法，将其分为“因式分解”、“随机游走”、“深度学习”三类，在不同的任务上评估其效果，最后提了点发展方向 前言 图在生物蛋白质结构、社交网络、词共现网络中应用 图分析任务可以分为： - 节点分类(随机游走、提特征) - 链路预测(相似性方法、最大似然...
信息检索经典文章-1
Hekena的博客
10-03 1073
在构建相似度矩阵之后，基于交互的模型应用不同的方法来提取用于生成查询文档相关性分数的特征。本文提出了三种训练策略：针对只有文档可用的情况的基于内容的方法，针对丰富的查询文档相关性评估可能受到攻击的情况的基于相关性的方法，以及针对搜索查询的情况的基于伪相关性的方法可以收集，但相关标签或用户活动不可访问。可以得到passage的bag of words的weight，在操作中，1）为了处理 BERT 的子词，我们使用整个词的第一个子词的权重，以及 2）当一个词在文章中多次出现时，我们在多次出现时取最大权重。
query term weight计算
机器不学习
07-07 9378
对query分词后，我们需要对计算query中各个term的权重。Term weighting在文本检索，文本相关性，核心词提取等任务中都有重要作用。 举例来说：“荷尔蒙是什么？”如果分词之后直接进行搜索，可能出来的效果并不是很理想，在不能完全匹配的情况下，”什么“ ”是“ 这样的term对query结果干扰很大。 我们人工进行分析，term weighting结果可能是: “什么 0.1，是0
如何预测用户query意图
追梦船的专栏
12-16 1752
有一个朋友问，一个用户搜索一个query是“百度”，怎么知道用户真正是想找什么呢。 　　我回答说，分析之前搜索这个query的用户点了些什么结果啊。 　　朋友继续问，如果没有用户点击呢。 　　呃，如果没有点击，这个问题就比较复杂了。整理了下思路，于是写成了本文。主要描述了关于如何预测用户query意图。希望会有所帮助。 　　首先我们的明确一个标准，如何判断我们对用户意图的猜测是正确的?
Database Meets AI: A Survey
ygp12345的博客
08-12 2516
—Database and Artificial Intelligence (AI) can benefit from each other. On one hand, AI can make database more intelligent (AI4DB). For example, traditional empirical database optimization techniques (e.g., cost estimation, join order selection, knob tunin
2020 IJCAI 接受论文 list 分类排列（二）
热门推荐
u014546828的博客
08-23 2万+
2020 IJCAI 接受论文 list 分类排列（一） 2020 IJCAI 接受论文 list 分类排列（二） 2020 IJCAI 接受论文 list 分类排列（三） 目录 Main track (Humans and AI) Main track (Knowledge Representation and Reasoning) Main track (Machine Learning) Main track (Machine Learning Applications) Mai.
mbti personality profile prediction项目人格预测机器学习
01-20
MBTI（Myers-Briggs Type Indicator）人格预测是一种通过对个体的认知、情感和行为模式进行测量来确定其人格类型的方法。而机器学习则是一种基于数据的模式识别和预测技术，通过对大量数据进行挖掘和分析，来发现其中的规律和模式。因此，利用机器学习技术来预测个体的MBTI人格类型是可行的。 在进行MBTI人格预测的机器学习项目时，首先需要构建一个包含多个特征变量的数据集，这些特征变量可以包括个体的性格特点、行为习惯、兴趣爱好等。接着，可以选择合适的机器学习算法对这个数据集进行训练，常用的算法包括决策树、支持向量机、神经网络等。在训练完模型之后，就可以对新的数据进行预测，从而得出个体的MBTI人格类型。 然而，需要注意的是，MBTI人格预测是一项复杂的任务，因为人格类型受到多种因素的影响，包括遗传、环境、社会因素等。因此，在进行机器学习预测时，需要充分考虑这些影响因素，以提高预测的准确性和可靠性。 总的来说，利用机器学习来预测个体的MBTI人格类型是一项有挑战的任务，但随着数据科学技术的发展和成熟，我们有信心通过不断的研究和实践，逐渐提高预测的准确性和可靠性。
评论 1
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