神经信息检索导论，微软研究员129页最新书册- 专知

会员服务 ·

神经信息检索导论，微软研究员129页最新书册

专知出品

【导读】微软研究员Bhaskar Mitra和Nick Craswell撰写了关于深度神经网络用于信息检索的最新进展的书册，共129页，是了解学习neural IR非常好的资料。

作者介绍

微软首席应用科学家

https://www.microsoft.com/en-us/research/people/bmitra/

首席应用科学经理

https://www.microsoft.com/en-us/research/people/nickcr/

神经信息检索

信息检索的神经排名模型通过浅层或深层的神经网络来对查询结果进行排序。传统的学习排序模型采用了监督机器学习(ML)技术——包括神经网络——而不是手工制作的IR特性。相比之下，最近提出的神经模型从原始文本中学习语言的表示，这可以弥补查询和文档词汇表之间的差距。与经典的模型排序学习和非神经方法不同，这些新的ML技术需要大量的数据，在使用之前需要大量的训练数据。本教程介绍了神经信息检索模型背后的基本概念和原理，并将它们置于经典的非神经方法的背景下。我们首先介绍检索和不同的神经和非神经的基本概念文本向量表示的无监督学习方法。然后，我们回顾了在非端到端信息检索任务的情况下使用这些预先训练的神经向量表示的信息检索方法。接下来我们将介绍学习排名(LTR)框架，讨论用于排名的标准损失函数。接下来我们将对深度神经网络(DNNs)进行概述，包括标准架构和实现。最后，我们回顾了监督神经学习的排序模型，包括最近的DNN架构训练端到端排序任务。最后，我们讨论了神经信息检索的未来发展方向。

目录结构