研究人员开发了CA-HNM,一个通过整合结构化领域知识来改进稠密检索模型的新颖框架。该方法超越了传统的硬负例挖掘,利用从领域模型派生的确定性不兼容规则来识别更相关的负例。在MOOCCubeX和Course-Skill Atlas数据集上的评估表明,CA-HNM可以提高检索性能,特别是与三元组损失结合使用时,这表明约束感知选择的有效性受到训练目标和负例池组成的影響。 AI
影响 这项研究可能通过更好地利用结构化领域知识,带来更准确和上下文感知的检索系统。
排序理由 该集群描述了一篇关于改进稠密检索模型的新颖框架的最新研究论文。
在 arXiv cs.IR (Information Retrieval) 阅读 →
- arXiv
- CA-HNM
- CA-HNM-Mixed
- CA-HNM-Pure
- Course-Skill Atlas
- Hugging Face
- MOOCCubeX
- NDCG@10
- Triplet loss
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →