.png){kind=icon}
返回
Query Performance Prediction Using Neural Query Space Proximity
.png){kind=icon}
PRE
AI
DOI：10.1145/3762197.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
信息检索（IR）方法在不同查询上的性能差异，包括基于Transformer的先进神经检索器，对实现稳健可靠的检索效果构成了重大挑战。查询性能预测（QPP）旨在估计检索方法对单个查询的有效性，从而实现自适应策略以改进检索结果，尤其是针对困难查询。然而，现有QPP方法面临根本性挑战：预检索方法通常依赖表层查询特征，无法捕捉查询与检索效果之间的细微关系；而后续检索方法则严重依赖检索文档的质量，这对困难查询可能不可靠。为此，我们提出基于查询空间距离的QPP（QSD-QPP）框架，利用检索方法确定且一致的行为，通过参考具有已知有效性的历史查询来估计查询性能。该方法基于观察到语义或句法相似的查询通常表现出一致的检索性能，这一特性可用于对未见查询进行可靠预测。QSD-QPP采用两种模式：(1) 轻量级预检索实现，基于嵌入距离动态构建查询子空间，通过插值邻近历史查询的性能；(2) 增强型后续检索实现，结合上下文嵌入、文档交互和历史查询关联以提高预测精度。通过利用预训练语言模型的大规模上下文嵌入，QSD-QPP高效识别语义相似查询并利用其性能进行稳健预测。通过解决先前方法的固有局限性，QSD-QPP在计算效率、预测精度和可扩展性之间实现了平衡。我们在四个基准数据集（包括MS MARCO Dev和TREC深度学习赛道（2019、2020及DL-Hard））上评估了QSD-QPP，证明其在预检索和后续检索QPP任务中均优于先进基线方法，表现出更高的准确性和稳健性。为确再现性和促进进一步研究，我们公开发布了本工作的实现代码。
Keyword:
Query Performance Prediction
Information Retrieval
Pre-retrieval Prediction
Post-retrieval Prediction
Contextualized Representations
Query Space
期刊
IF:
6.6
论文数:
1.5K
被引数:
6.2K
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏分享收藏
查看更多内容