English(EN) Relevance-Based Embeddings: Lightweight Candidate Retrieval via Heavy-Ranker Calls

新的基于相关性的嵌入改进了机器学习中的候选检索

作者 PulseAugur 编辑部 · [2 个来源] · 2026-07-03 17:41

研究人员在机器学习应用中引入了一种新颖的候选检索方法，称为基于相关性的嵌入。该方法旨在通过利用昂贵的相似性模型的得分来增强查询和项目表示，从而提高检索相关项目以供查询的效率。理论上证明了所提出的嵌入可以近似复杂的相似性模型，并且在各种数据集上的实验结果证明了它们的有效性。 AI

影响这项研究可以通过改进查询和项目的表示和搜索方式，从而带来更高效的信息检索系统。

排序理由该集群包含一篇详细介绍机器学习新方法的学术论文。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.LG TIER_1 English(EN) · Kirill Shevkunov, Andrey Ploskonosov, Liudmila Prokhorenkova · 2026-07-07 04:00

Relevance-Based Embeddings: Lightweight Candidate Retrieval via Heavy-Ranker Calls

arXiv:2607.03515v1 Announce Type: cross Abstract: In many machine learning applications, the most relevant items for a query should be efficiently retrieved. The relevance function is usually an expensive similarity model, making the exhaustive search infeasible. A typical soluti…
arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Liudmila Prokhorenkova · 2026-07-03 17:41

Relevance-Based Embeddings: Lightweight Candidate Retrieval via Heavy-Ranker Calls

In many machine learning applications, the most relevant items for a query should be efficiently retrieved. The relevance function is usually an expensive similarity model, making the exhaustive search infeasible. A typical solution is to train another model that separately embed…