用于文档检索的自适应隐式实体扩展
信息检索
2023-12-06 v2
摘要
尽管神经相关性排序技术取得了显著进展，搜索引擎仍难以有效处理复杂查询——无论是在精度还是召回率方面。稀疏与稠密伪相关反馈（PRF）方法有望克服召回率的局限，但仅在前几名具有高精度时才有效。在本工作中，我们利用三种互补技术解决复杂查询上的检索问题。首先，我们证明在稀疏或稠密 PRF 之前应用强神经重排序器可将检索效果提升 5-8%。PRF 效果的这一提升可直接归因于反馈集精度的提高。其次，我们提出一种增强的扩展模型——隐式实体扩展（LEE），其应用了结合局部特征的细粒度基于词与实体的相关性建模。具体而言，我们发现通过同时包含词和实体进行扩展，在 NDCG 上实现了进一步的 2-8% 提升。我们的分析还表明，LEE 跨数据集对其参数大体鲁棒，并在以实体为中心的查询上表现良好。第三，我们在检索过程中加入“自适应”组件，该组件在打分时使用扩展模型迭代精炼重排序候选池，避免对额外文档重排序。我们发现，这一技术组合在 TREC Robust 2004 和 CODEC 文档数据集上取得了最佳的 NDCG、MAP 和 R@1000 结果，展示了扩展效果的显著进步。
引用
@article{arxiv.2306.17082,
title = {Adaptive Latent Entity Expansion for Document Retrieval},
author = {Iain Mackie and Shubham Chatterjee and Sean MacAvaney and Jeffrey Dalton},
journal= {arXiv preprint arXiv:2306.17082},
year = {2023}
}