利用少样本文档重排序融合相关性反馈的信息检索方法
信息检索
2022-10-20 v1 计算与语言
摘要
将词法检索器与神经重排序模型配对，已在大规模信息检索数据集上确立了最先进的性能。该流程覆盖了问答或导航式查询等场景，然而在信息搜寻场景中，用户常以点击或显式反馈的形式提供文档是否与其查询相关的信息。因此，本工作中我们探索如何通过采用少样本与参数高效学习技术，将相关性反馈直接整合进神经重排序模型。具体而言，我们引入一种 kNN 方法，基于文档与查询及用户认为相关文档的相似度对文档重排序。此外，我们探索通过元学习预训练、随后针对每个查询微调的 Cross-Encoder 模型，仅在与反馈文档上训练。为评估我们不同的整合策略，我们将四个现有信息检索数据集转换为相关性反馈场景。大量实验表明，在神经重排序模型中直接整合相关性反馈可提升其性能，且将词法排序与我们性能最佳的神经重排序器融合，以 5.2 nDCG@20 优于所有其他方法。
引用
@article{arxiv.2210.10695,
title = {Incorporating Relevance Feedback for Information-Seeking Retrieval using Few-Shot Document Re-Ranking},
author = {Tim Baumgärtner and Leonardo F. R. Ribeiro and Nils Reimers and Iryna Gurevych},
journal= {arXiv preprint arXiv:2210.10695},
year = {2022}
}
备注
Accepted at EMNLP 2022