通过记忆实现跨域泛化：神经重复问题检测中最近邻的研究
计算与语言
2020-11-24 v1
摘要
重复问题检测(DQD)对提升社区与自动问答系统效率十分重要。不幸的是，在某一领域收集监督数据耗时且昂贵，而我们跨领域利用标注的能力极为有限。本工作中，我们利用神经表示并研究DQD中用于跨域泛化的最近邻方法。我们首先将源域与目标域的问题对编码入丰富表示空间，然后使用基于k近邻检索的方法，聚合邻居标签与距离来对问题对排序。我们观察到该方法在StackExchange、Spring与Quora数据集的不同跨域场景中表现稳健，且在多例中优于交叉熵分类。
引用
@article{arxiv.2011.11090,
title = {Cross-Domain Generalization Through Memorization: A Study of Nearest Neighbors in Neural Duplicate Question Detection},
author = {Yadollah Yaghoobzadeh and Alexandre Rochette and Timothy J. Hazen},
journal= {arXiv preprint arXiv:2011.11090},
year = {2020}
}
备注
7 pages, initial results