Utilizing large language models for integrating document-level contextual semantic into pseudo-relevance feedback
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pseudo-Relevance Feedback (PRF) is a key technique in information retrieval (IR). Traditional implementations rely on statistical information, such as term frequency, for precise matching and relevance assessment. However, these methods struggle to fully capture the deep semantic integrity of query terms, especially in handling polysemy, high semantic relevance, and long-document comprehension. To address these challenges, this paper innovatively proposes a large language model-assisted PRF probabilistic model. The model first employs a precise matching algorithm to evaluate and determine the term-level weights, and then uses a large language model to encode the contextual relationships within the query and feedback documents, thereby accurately acquiring the global semantic weights of terms relevant to the query at the document level. By adjusting a balancing factor to allocate weights between these two components, the model comprehensively selects expanded terms for constructing a new query representation and executing query expansion (QE). This model not only facilitates approximate matching through the integration of global semantic features of documents but also effectively combines with the precise matching information of traditional PRF models, enabling a comprehensive and accurate optimization of queries from a broader perspective. To validate effectiveness, extensive empirical analyses on five TREC datasets assess performance across key metrics such as MAP, P@10, NDCG, and MRR. Experimental results show significant improvements over baseline models. Comparative analyses and case studies confirm that the expanded terms maintain high semantic relevance and consistency with the original query while preserving diversity and effectively capturing global document semantics, establishing an efficient QE mechanism.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 découle