机构名称：
¥ 3.0
最近，已经提出了一种新颖的生成检索（GR）范式，其中学会了单个序列到序列模型直接生成有关查询的相关文档标识符（DOCID）列表。现有的GR模型通常采用最大似然估计（MLE）进行优化：这涉及给定输入查询的单个相关文档的可能性最大化，并假设每个文档的可能性独立于列表中的其他文档。我们将这些模型称为本文的重点方法。虽然在GR的背景下已显示出刻的方法有效，但由于其无视基本原则，即排名涉及对列表进行预测，因此被认为是最佳的。在本文中，我们通过引入替代列表方法来解决此限制，该方法赋予GR模型以优化DOCID列表级别的相关性。具体来说，我们将排名的DOCID列表的生成视为一个序列学习过程：在每个步骤中，我们都会学习一个参数子集，这些参数最大化了the -th docID的相应生成可能性，给定（前面）顶部𝑖 -1个文档。为了形式化序列学习过程，我们为GR设计了位置条件概率。为了减轻梁搜索对推断期间发电质量的潜在影响，我们根据相关性等级对模型生成的文档的生成可能性执行相关性校准。我们对代表性的二进制和多层相关性数据集进行了广泛的实验。我们的经验结果表明，在检索性能方面，我们的方法优于最先进的基准。
通过顺序学习过程列表以生成检索模型
主要关键词
相关文件推荐
