論文の概要: Incorporating Relevance Feedback for Information-Seeking Retrieval using Few-Shot Document Re-Ranking

• arxiv url: http://arxiv.org/abs/2210.10695v1
• Date: Wed, 19 Oct 2022 16:19:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 14:54:26.802524
• Title: Incorporating Relevance Feedback for Information-Seeking Retrieval using Few-Shot Document Re-Ranking
• Title（参考訳）: Few-Shot Document Re-Ranking を用いた情報検索検索のための関連フィードバックの導入
• Authors: Tim Baumg\"artner, Leonardo F. R. Ribeiro, Nils Reimers, Iryna Gurevych
• Abstract要約: 我々は,クエリとユーザが関連すると考えるドキュメントとの類似性に基づいて,文書を再参照するkNNアプローチを提案する。 異なる統合戦略を評価するため、既存の4つの情報検索データセットを関連フィードバックシナリオに変換する。
• 参考スコア（独自算出の注目度）: 56.80065604034095
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pairing a lexical retriever with a neural re-ranking model has set state-of-the-art performance on large-scale information retrieval datasets. This pipeline covers scenarios like question answering or navigational queries, however, for information-seeking scenarios, users often provide information on whether a document is relevant to their query in form of clicks or explicit feedback. Therefore, in this work, we explore how relevance feedback can be directly integrated into neural re-ranking models by adopting few-shot and parameter-efficient learning techniques. Specifically, we introduce a kNN approach that re-ranks documents based on their similarity with the query and the documents the user considers relevant. Further, we explore Cross-Encoder models that we pre-train using meta-learning and subsequently fine-tune for each query, training only on the feedback documents. To evaluate our different integration strategies, we transform four existing information retrieval datasets into the relevance feedback scenario. Extensive experiments demonstrate that integrating relevance feedback directly in neural re-ranking models improves their performance, and fusing lexical ranking with our best performing neural re-ranker outperforms all other methods by 5.2 nDCG@20.
• Abstract（参考訳）: 語彙レトリバーをニューラルリグレードモデルでペアリングすることで、大規模情報検索データセットに最先端のパフォーマンスを設定できる。 このパイプラインは質問応答やナビゲーションクエリといったシナリオをカバーするが、情報参照シナリオでは、ユーザはクリックや明示的なフィードバックという形式で、ドキュメントがクエリに関連しているかどうかに関する情報を提供することが多い。 そこで本研究では,少数ショットとパラメータ効率の学習手法を用いて,関連性フィードバックをニューラルリグレードモデルに直接組み込む方法について検討する。 具体的には,問合せと関連する文書との類似性に基づいて,文書の再ランク付けを行うkn手法を提案する。 さらに,メタラーニングを用いて事前学習したクロスエンコーダモデルについて検討し,各クエリに対して微調整を行い,フィードバック文書のみをトレーニングする。 異なる統合戦略を評価するため、既存の4つの情報検索データセットを関連フィードバックシナリオに変換する。 大規模な実験では、関連するフィードバックをニューラルリランクモデルに直接組み込むことでパフォーマンスが向上し、最もパフォーマンスのよいニューラルリランカによる語彙ランク付けが5.2nDCG@20の他の手法よりも優れていることが示されている。

関連論文リスト

• Quam: Adaptive Retrieval through Query Affinity Modelling [15.3583908068962]
  ユーザ情報要求に基づいて文書をランク付けする関連モデルを構築することは,情報検索とNLPコミュニティの中心的な課題である。 提案するQuamにより,適応検索の初期段階の統一的な視点を提案する。 提案手法であるQuamは,リコール性能を26%向上させる。
  論文  参考訳（メタデータ） (2024-10-26T22:52:12Z)
• Graph Neural Re-Ranking via Corpus Graph [12.309841763251406]
  Graph Neural Re-Ranking(GNRR)は、グラフニューラルネットワーク(GNN)に基づくパイプラインで、推論中に各クエリがドキュメントの分散を考慮できるようにする。 我々は、GNNが文書間の相互作用を効果的に捉え、人気のあるランキング指標の性能を向上させることを実証した。
  論文  参考訳（メタデータ） (2024-06-17T16:38:19Z)
• Contextualization with SPLADE for High Recall Retrieval [5.973857434357868]
  ハイリコール検索(High Recall Retrieval, HRR)は、あるコレクション内の最も関連性の高い文書を検索するコストを最適化する検索問題である。 本研究では,文書を文脈化されたスパースベクトルに変換する効率的な検索モデルであるSPLADEを活用する。 2つのHRR評価コレクションのレビューコストの10%と18%を1フェーズのレビューワークフローで削減し、80%のリコールを目標としている。
  論文  参考訳（メタデータ） (2024-05-07T03:05:37Z)
• Coarse-Tuning for Ad-hoc Document Retrieval Using Pre-trained Language Models [1.7126893619099555]
  情報検索システムの微調整には、クエリ表現とクエリドキュメントの関係の学習が必要である。 本研究では,事前学習と微調整を橋渡しする中間学習段階として粗調整を導入する。 粗いチューニングのためのクエリ文書ペア予測(QDPP)を提案し,クエリ文書ペアの適切性を予測する。
  論文  参考訳（メタデータ） (2024-03-25T16:32:50Z)
• Noisy Self-Training with Synthetic Queries for Dense Retrieval [49.49928764695172]
  合成クエリと組み合わせた,ノイズの多い自己学習フレームワークを提案する。 実験結果から,本手法は既存手法よりも一貫した改善が得られた。 我々の手法はデータ効率が良く、競争のベースラインより優れています。
  論文  参考訳（メタデータ） (2023-11-27T06:19:50Z)
• Zero-shot Composed Text-Image Retrieval [72.43790281036584]
  合成画像検索(CIR)の問題点を考察する。 テキストや画像などのマルチモーダル情報を融合し、クエリにマッチする画像を正確に検索し、ユーザの表現能力を拡張できるモデルをトレーニングすることを目的としている。
  論文  参考訳（メタデータ） (2023-06-12T17:56:01Z)
• Improving Sequential Query Recommendation with Immediate User Feedback [6.925738064847176]
  本稿では,対話型データ探索設定における次のクエリレコメンデーションのためのアルゴリズムを提案する。 人気のあるオンライン文献発見サービスからログファイルを用いて大規模な実験を行った。
  論文  参考訳（メタデータ） (2022-05-12T18:19:24Z)
• Integrating Semantics and Neighborhood Information with Graph-Driven Generative Models for Document Retrieval [51.823187647843945]
  本稿では,周辺情報をグラフ誘導ガウス分布でエンコードし,その2種類の情報をグラフ駆動生成モデルと統合することを提案する。 この近似の下では、トレーニング対象がシングルトンまたはペアワイズ文書のみを含む用語に分解可能であることを証明し、モデルが非関連文書と同じくらい効率的にトレーニングできることを示す。
  論文  参考訳（メタデータ） (2021-05-27T11:29:03Z)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。