Notice bibliographique
Résumé
In recent years we have witnessed many successes of neural networks in the information \nretrieval community with lots of labeled data. Yet it remains unknown whether the same \ntechniques can be easily adapted to search social media posts where the text is much \nshorter. In addition, we find that most neural information retrieval models are compared \nagainst weak baselines. In this thesis, we build an end-to-end neural information retrieval \nsystem using two toolkits: Anserini and MatchZoo. In addition, we also propose a novel \nneural model to capture the relevance of short and varied tweet text, named MP-HCNN. \nWith the information retrieval toolkit Anserini, we build a reranking architecture based \non various traditional information retrieval models (QL, QL+RM3, BM25, BM25+RM3), \nincluding a strong pseudo-relevance feedback baseline: RM3. With the neural network \ntoolkit MatchZoo, we offer an empirical study of a number of popular neural network \nranking models (DSSM, CDSSM, KNRM, DUET, DRMM). Experiments on datasets from \nthe TREC Microblog Tracks and the TREC Robust Retrieval Track show that most \nexisting neural network models cannot beat a simple language model baseline. How- \never, DRMM provides a significant improvement over the pseudo-relevance feedback baseline \n(BM25+RM3) on the Robust04 dataset and DUET, DRMM and MP-HCNN can provide \nsignificant improvements over the baseline (QL+RM3) on the microblog datasets. Further \ndetailed analyses suggest that searching social media and searching news articles exhibit \nseveral different characteristics that require customized model design, shedding light on \nfuture directions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».