浅层与深层相关性判断对基于 BERT 的重排序模型影响
信息检索
2025-07-01 v1
摘要
本文探讨了浅层与深层相关性判断对神经信息检索中基于 BERT 的重排序模型性能的影响。浅层评判数据集以大量查询、每个查询少量相关性判断为特征；深层评判数据集则涉及较少查询但进行大量相关性判断。研究评估了这些数据集如何影响基于 BERT 的重排序模型的训练效果。实验在 MS MARCO 和 LongEval 数据集上进行。结果表明，浅层评判数据集由于提供的上下文范围更广，通常能提升重排序模型的泛化能力和效果。深层评判数据集的劣势可通过更多的负样本训练示例来缓解。
引用
@article{arxiv.2506.23191,
title = {Impact of Shallow vs. Deep Relevance Judgments on BERT-based Reranking Models},
author = {Gabriel Iturra-Bocaz and Danny Vo and Petra Galuscakova},
journal= {arXiv preprint arXiv:2506.23191},
year = {2025}
}
备注
Accepted at ICTIR'25