用于即席检索的基于散度最小化反馈模型的低维查询投影
信息检索
2016-12-23 v2
摘要
低维词向量长期以来被用于自然语言处理中广泛的应用。在本文中，我们阐明在原始查询信息有限的即席检索中估计查询向量。伪相关反馈（Pseudo-relevance feedback, PRF）是一种著名的技术，用于更新查询语言模型并用若干相关项扩展查询。我们在低维空间中公式化查询更新，先旋转查询向量，然后缩放。这些连续步骤被嵌入到一个捕获角度和缩放的查询特定投影矩阵中。在本文中，我们提出了一种新的但不一定是最有效的、基于查询投影算法的语言建模中 PRF 技术。我们为每个查询学习一个嵌入系数矩阵，其目的在于通过将查询变换到更可靠的空间来改善查询的向量表示，然后更新查询语言模型。所提出的嵌入系数散度最小化模型（embedded coefficient divergence minimization model, ECDMM）获取由查询检索出的排名靠前的文档，并得到正负样本集对；这些样本用于学习系数矩阵，该矩阵将用于投影查询向量并使用 softmax 函数更新查询语言模型。在多个语言的若干 TREC 和 CLEF 数据集上的实验结果证明了 ECDMM 的有效性。实验结果显示，新的查询公式与最先进的 PRF 技术表现相当，并且在某个 TREC 集合上就 MAP、P@5 和 P@10 而言显著优于最先进的 PRF 技术。
引用
@article{arxiv.1606.00615,
title = {Low-dimensional Query Projection based on Divergence Minimization Feedback Model for Ad-hoc Retrieval},
author = {Javid Dadashkarimi and Masoud Jalili Sabet and Heshaam Faili and Azadeh Shakery},
journal= {arXiv preprint arXiv:1606.00615},
year = {2016}
}