用集合论嵌入回答组合查询
信息检索
2023-06-08 v1 机器学习
摘要
在许多重要任务（如分面浏览与推荐系统）中，都需要紧凑且鲁棒地表示条目-属性关系。一种流行的机器学习方法将该任务中条目具有某属性表示为条目与属性向量间的高点积——这种表示不仅稠密，且倾向于纠正含噪与不完整数据。尽管该方法在按单一属性检索条目的查询（如“喜剧电影”）中表现良好，我们发现向量嵌入并不能准确支持组合查询（如“英国喜剧但非爱情片的电影”）。为解决这些集合论组合，本文提出以盒嵌入替代向量，这是一种基于区域的表示，可视为可学习的维恩图。我们引入了一个用于组合查询的新基准数据集，并给出实验与分析以洞察二者行为。我们发现，尽管向量与盒嵌入同样适用于单属性查询，对于组合查询，盒嵌入相较向量具有显著优势，尤其在最有助于用户搜索与浏览的中等及较大检索集规模下。
引用
@article{arxiv.2306.04133,
title = {Answering Compositional Queries with Set-Theoretic Embeddings},
author = {Shib Dasgupta and Andrew McCallum and Steffen Rendle and Li Zhang},
journal= {arXiv preprint arXiv:2306.04133},
year = {2023}
}