基于核池化的端到端神经即席排序
信息检索
2017-06-22 v1 计算与语言
摘要
本文提出 K-NRM，一种基于核的文档排序神经模型。给定查询和一组文档，K-NRM 使用通过词嵌入建模词级相似度的翻译矩阵、利用核提取多级软匹配特征的新核池化技术，以及将这些特征组合为最终排序分数的学习排序层。整个模型以端到端方式训练。排序层从成对排序损失中学习所需的特征模式。核将特征模式转换为各相似度级别上的软匹配目标，并强制施加于翻译矩阵。词嵌入相应调整，从而能产生所需的软匹配。在商业搜索引擎查询日志上的实验证明了 K-NRM 相对于先前基于特征和基于神经网络的先进方法的提升，并解释了 K-NRM 优势的来源：其核引导的嵌入编码了为将查询词匹配到文档词而定制的相似度度量，并提供有效的多级软匹配。
引用
@article{arxiv.1706.06613,
title = {End-to-End Neural Ad-hoc Ranking with Kernel Pooling},
author = {Chenyan Xiong and Zhuyun Dai and Jamie Callan and Zhiyuan Liu and Russell Power},
journal= {arXiv preprint arXiv:1706.06613},
year = {2017}
}