基于分层卷积网络的多视角相关性匹配用于社交媒体搜索
信息检索
2019-06-25 v2 计算与语言
摘要
尽管将神经网络应用于信息检索受到广泛关注，神经排序模型仅被应用于网页和新闻专线文档上的标准临时检索任务。本文提出 MP-HCNN（多视角分层卷积神经网络），一种专门设计用于对短社交媒体帖子排序的新型神经排序模型。我们识别出文档长度、非正式语言以及异质相关性信号作为本领域中区分文档的特征，并提出了专门考虑这些特性而设计的模型。我们的模型使用分层卷积层在字符、词和短语层面学习潜在语义软匹配相关性信号。一个基于池化的相似性度量层整合了查询、社交媒体帖子以及帖子中包含的 URL 之间多种匹配类型的证据。使用来自 TREC 微博追踪 2011–2014 的 Twitter 数据的广泛实验表明，我们的模型显著优于先前的基于特征的模型以及现有的神经排序模型。据我们所知，本文提出了首个使用神经排序模型处理社交媒体帖子搜索的实质性工作。
引用
@article{arxiv.1805.08159,
title = {Multi-Perspective Relevance Matching with Hierarchical ConvNets for Social Media Search},
author = {Jinfeng Rao and Wei Yang and Yuhao Zhang and Ferhan Ture and Jimmy Lin},
journal= {arXiv preprint arXiv:1805.08159},
year = {2019}
}
备注
AAAI 2019, 10 pages