Bayesian Folding-In Using Generalized Dirichlet and Beta-Liouville Kernels for Information Retrieval
Notice bibliographique
Résumé
Probabilistic latent semantic indexing (PLSI) has been proposed to represent textual documents as mixture proportions of latent topics. Compared to the standard latent semantic indexing (LSI), PLSI has a solid statistical foundation. However, the need of folding new documents into the latent topic space led to the definition of PLSI folding-in. Previous studies have shown that in case of short queries, poor vocabulary results in small sample of words with non-zero frequencies. Therefore, PLSI folding-in tends to produce topic mixtures that are predominated by a single latent aspect. As a result, folding-in is unable to take into consideration different mapping. Thus, Bayesian folding-in was introduced to involve the topic mixtures of the known document and the mixture proportions of topics for a new document were estimated by maximizing the posterior. Hence, the prior was defined as a kernel density estimate using a Dirichlet distribution. Although Bayesian folding-in overcomes PLSI folding-in, there are still some drawbacks since the Dirichlet distribution has negative covariance structure that makes it restrictive, especially in the case of count data. To improve previous works, we propose using generalized Dirichlet (GD) distribution and Beta-Liouville (BL) distribution as kernel densities in a Bayesian framework for information retrieval.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».