AI 技术内参
洪亮劼
Etsy 数据科学主管,前雅虎研究院资深科学家
33455 人已学习
新⼈⾸单¥98
登录后,你可以任选6讲全文学习
课程目录
已完结/共 166 讲
开篇词 (1讲)
人工智能国际顶级会议 (31讲)
搜索核心技术 (28讲)
推荐系统核心技术 (22讲)
数据科学家与数据科学团队养成 (25讲)
AI 技术内参
15
15
1.0x
00:00/00:00
登录|注册

020 | SIGIR 2018论文精读:如何利用对抗学习来增强排序模型的普适性?

其他方法能够学习到不属于特定领域信息的排序模型
对抗训练效果优于非对抗训练
利用对抗学习产生相关和不相关文档
训练两套模型:查询关键词和文档相关关系模型、对抗学习模型
利用对抗学习增强排序模型的普适性
应用:产生以假乱真的数据
原理:产生器和判别器模块
解决方法:训练排序模型不被特定领域主导
挑战:有效搜索不同领域的文档
思考题
实验结果
核心方法
论文贡献
对抗学习
跨领域信息检索
主题:利用对抗学习增强排序模型的普适性
作者:丹尼尔·科恩、巴斯卡·米特拉、卡特娜·霍夫曼、布鲁斯·克罗夫特
SIGIR 2018论文精读

该思维导图由 AI 生成,仅供参考

今天,我们继续来精读 SIGIR 2018(国际信息检索研究与发展大会)的论文,今天分享的是本次大会的最佳短论文,标题是《使用对抗学习实现神经排序模型的跨领域正则化》(Cross Domain Regularization for Neural Ranking Models using Adversarial Learning)。
非常有必要先简单介绍一下这篇文章的作者群,可以说这是一个“明星阵容”。
第一作者丹尼尔·科恩(Daniel Cohen)来自马萨诸塞大学阿默斯特分校(University of Massachusetts Amherst),是计算机科学系的博士生。2017 年曾经在微软研究院剑桥分部实习。这篇获奖论文就是实习项目的总结。在深度学习模型在信息检索的应用这个方向上,科恩已经发表了多篇论文。
第二作者巴斯卡·米特拉(Bhaskar Mitra)是微软研究院剑桥分部的主任级科学家。近些年米特拉在信息检索领域很活跃,并且极力推动深度学习在这个领域的发展,他在这个领域发表了很多篇论文,在过去几年的很多学术会议上,也主持了多个关于深度学习和信息检索相结合的讲座。
第三作者卡特娜·霍夫曼(Katja Hofmann)也是来自微软研究院剑桥分部的科学家。霍夫曼在信息检索领域的主要贡献是研究在线排序学习。
确认放弃笔记?
放弃后所记笔记将不保留。
新功能上线,你的历史笔记已初始化为私密笔记,是否一键批量公开?
批量公开的笔记不会为你同步至部落
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线
笔记
复制
AI
  • 深入了解
  • 翻译
    • 英语
    • 中文简体
    • 中文繁体
    • 法语
    • 德语
    • 日语
    • 韩语
    • 俄语
    • 西班牙语
    • 阿拉伯语
  • 解释
  • 总结

SIGIR 2018最佳短论文《使用对抗学习实现神经排序模型的跨领域正则化》介绍了如何利用对抗学习来增强排序模型的普适性。文章由来自马萨诸塞大学阿默斯特分校和微软研究院的研究人员合作完成。主要贡献在于将对抗学习应用于信息检索领域,以训练排序模型不偏好特定领域的信息,从而实现跨领域信息检索的有效性。 文章提出的核心方法是利用两套模型,一套用于学习查询关键词和文档之间的相关关系,另一套是对抗学习的模型,通过对抗学习来分别产生相关和不相关的文档,从而增强模型的普适性。实验结果表明,对抗训练可以显著提高模型在不同领域的表现,尤其在移除特定领域文档的情况下,效果更为明显。 这篇论文的独特之处在于将对抗学习应用于信息检索领域,通过训练模型不偏好特定领域的信息,从而提高跨领域信息检索的效果。文章的贡献和方法为信息检索领域的研究提供了新的思路和方法,对于对抗学习在信息检索领域的应用具有重要的指导意义。

仅可试看部分内容,如需阅读全部内容,请付费购买文章所属专栏
《AI 技术内参》
新⼈⾸单¥98
立即购买
登录 后留言

全部留言(1)

  • 最新
  • 精选
  • 吴曦
    是否可以使用word2vec,对不同领域的词句向量计算距离,从而抽取新领域文本的中间特征?
    2018-07-29
收起评论
显示
设置
留言
1
收藏
沉浸
阅读
分享
手机端
快捷键
回顶部