A semantic framework for enhancing pseudo-relevance feedback with soft negative sampling and contrastive learning
Notice bibliographique
Résumé
In the field of information Retrieval (IR), Pseudo-relevance feedback (PRF) and Query Expansion (QE) techniques have garnered significant attention for their efficacy in enhancing retrieval effectiveness. However, traditional PRF approaches predominantly concentrate solely on pseudo-relevant documents identified during the initial retrieval stage, neglecting the rich semantic information embedded within non-pseudo-relevant documents. This paper introduces an innovative PRF model that integrates soft negative samples and contrastive learning to address this limitation, aiming for a more comprehensive capture and representation of semantics. First, we employ the BM25 algorithm as the baseline retrieval mechanism to accurately pinpoint pseudo-relevant documents from the first stage retrieval and assign weights to their terms. Second, a contrastive learning strategy is introduced to distill semantic features from all documents globally, further refining the semantic weights of terms. To mitigate the risk of information loss associated with soft negative samples, we ingeniously leverage the statistical properties of kernel function to precisely gauge the co-occurrence frequencies between terms, ensuring the preservation of core information and thus obtaining kernel function term co-occurrence weights. Third, we select semantically related terms highly relevant to the query for creating an optimized query by balancing these three weight distributions. Extensive empirical analyses conducted on several TREC datasets demonstrate the practical feasibility of our proposed model. It outperforms baseline models and state-of-the-art technologies on core evaluation metrics such as MAP, P@10, NDCG, and MRR. Deeper comparative experiments and case studies reveal that the expansion terms generated by our model exhibits a deeper level of semantic coherence with the original query, underscoring the dual advantages of the model in both theory and practice. In summary, the model presented herein not only opens a new path at the technical level, but also provides a more accurate and efficient solution for real-world applications in IR.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,003 | 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 ».