优化引导遍历以实现快速学习型稀疏检索
信息检索
2023-05-03 v1
摘要
近期研究表明，BM25 驱动的动态索引跳过可大幅加速基于 DeepImpact 所得学习型稀疏表示的 MaxScore 文档检索。本文考察了此类遍历引导策略在采用 SPLADE 与 uniCOIL 等其他模型进行 top k 检索时的有效性，发现当 BM25 模型与学习型权重模型未良好对齐或检索深度 k 较小时，无约束 BM25 驱动跳过会出现可见的相关性退化。本文推广先前工作，并以两级剪枝控制方案与模型对齐优化 BM25 引导索引遍历，以使用稀疏表示进行快速检索。尽管可能存在延迟增加的代价，所提方案较无 BM25 引导的原始 MaxScore 方法更快，同时保持相关性效果。本文分析了该两级剪枝方案的竞争力，并评估了其在若干测试数据集检索时排序相关性与时间效率的权衡。
引用
@article{arxiv.2305.01203,
title = {Optimizing Guided Traversal for Fast Learned Sparse Retrieval},
author = {Yifan Qiao and Yingrui Yang and Haixin Lin and Tao Yang},
journal= {arXiv preprint arXiv:2305.01203},
year = {2023}
}
备注
This paper is published in WWW'23