新研究评估IR模型对集合增长的鲁棒性

一篇发表在arXiv上的新研究调查了信息检索（IR）模型在面对不断增长的文档集合时的鲁棒性。研究人员Emmanouil Georgios Lionis及其同事将IR模型有效性定义为在添加非相关文档时有效性不降低。他们的实验涉及合并两个不同的集合，结果显示，无论是多文档不可知（MDA）模型还是多文档依赖（MDD）模型，在添加非相关文档时都不能完全免疫性能下降。研究发现，MDA模型在检索方面更有效，而MDA和MDD重排器在有效性方面表现相似。 AI

影响 这项研究可能有助于在数据集不断增长的情况下构建更高效、更稳定的信息检索系统。

排序理由 关于信息检索模型的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.IR (Information Retrieval) 阅读 →

• alphaXiv
• arXiv
• BM25
• CatalyzeX
• DagsHub
• Emmanouil Georgios Lionis
• Gotit.pub
• Hugging Face
• Influence Flower
• information retrieval
• ScienceCast

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →