为 用于即席检索的深度相关性匹配模型 。它提到使用 以下是研究论文中的一些引用 成功的相关性匹配需要正确处理精确匹配信号、查询项重要性和多样化的匹配要求。 以交互为中心的模型，首先在两段文本之间构建本地级别的交互（即本地匹配信号），然后使用深度神经网络来学习分层交互模式以进行匹配。 根据多样化的匹配要求，相关性匹配与位置无关，因为它可能发生在长文档中的任何位置。 大多数 任务涉及语义匹配，即识别语义并推断 两段文本之间的语义关系，而 检索任务主要涉及相关性匹配。
进行重新排名这是上述研究论文中的
即识别文档是否与某个文本相关。给出的查询。 由于临时检索任务从根本上来说是一个排名问题，因此我们采用成对排名损失（例如铰链损失）来训练我们的深度相关性匹配模型。 该论文提到与相关性匹配相比，语义匹配如何下降，因为： 语义匹配依赖于相似性匹配信号（某些具有相同含义的单词或短语可能在语义上遥远）、组合含义（匹配句子多于含义）和全局匹配要求（整体比较事物而不是查 Iceland电子邮件列表 看最佳匹配部分）较长的文档）；然而， 相关性匹配可以对精确匹配信号赋予显着的权重确匹配的权重高于近似匹配调整。
几张图片对于那些讨厌阅读研究论文
配要求（允许在较长文档的任何部分进行相关性匹配） 这是上述研究论文中的几张图片 然后第二篇研究论文是 使用增强型文档 查询交互进行深度相关性排名 基于交互的模型效率较低，因为无法独立于查询对文档表示进行索引。不过，当相关性排名方法对传统 返回的顶级文档进行重新排名时，这一点就不那么重要了 引擎，这就是我们在这里考虑的场景。 同样的重新排名概念正在整个行业得到更好的理解。有一些排 阿联酋手机号码 名信号可以赢得一些基本级别的排名，然后根据其他因素（例如结果与用户意图的匹配程度）对结果。
