DeepRank：一种用于信息检索相关性排序的新型深度架构
信息检索
2019-07-23 v2
摘要
本文关注信息检索（IR）中相关性排序的深度学习方法。现有的深度 IR 模型（如 DSSM 和 CDSSM）直接应用神经网络生成排序分数，缺乏对相关性的显式理解。根据人类的判断过程，相关性标签由以下三个步骤生成：1）检测相关位置，2）确定局部相关性，3）聚合局部相关性以输出相关性标签。在本文中，我们提出了一种新的深度学习架构，即 DeepRank，来模拟上述人类判断过程。首先，设计了一种检测策略来提取相关上下文。然后，应用度量网络，利用卷积神经网络（CNN）或二维门控循环单元（2D-GRU）来确定局部相关性。最后，使用具有序列集成和词项门控机制的聚合网络来产生全局相关性分数。DeepRank 很好地捕获了重要的 IR 特征，包括精确/语义匹配信号、邻近启发式、查询词项重要性和多样化的相关性需求。在基准 LETOR 数据集和大规模点击数据上的实验表明，DeepRank 能够显著优于排序学习方法和现有的深度学习方法。
引用
@article{arxiv.1710.05649,
title = {DeepRank: A New Deep Architecture for Relevance Ranking in Information Retrieval},
author = {Liang Pang and Yanyan Lan and Jiafeng Guo and Jun Xu and Jingfang Xu and Xueqi Cheng},
journal= {arXiv preprint arXiv:1710.05649},
year = {2019}
}
备注
Published as a conference paper at CIKM 2017, CIKM'17, November 6--10, 2017, Singapore TextNet (https://github.com/pl8787/textnet-release) PyTorch (https://github.com/pl8787/DeepRank_PyTorch)