研究人员开发了一种新颖的无监督稠密检索器训练方法TPOUR，解决了跨越多个时间段的文档集合中的时间相关性挑战。时间检索偏好优化（TRPO）技术指导检索器偏好时间对齐的文档，即使没有明确的时间戳。TPOUR在现有无监督和有监督基线方面取得了显著改进，与规模大得多的Qwen-Embedding-8B模型相比，nDCG@5有了显著提高，尽管其规模要小得多。 AI
影响 通过纳入时间相关性来提高文档检索准确性，这对于时间敏感的信息至关重要。
排序理由 该集群包含一篇详细介绍无监督检索新方法的论文。
在 arXiv cs.IR (Information Retrieval) 阅读 →
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- Gotit.pub
- Hugging Face
- Qwen-Embedding-8B
- ScienceCast
- Temporal Retrieval Preference Optimization
- TPOUR
- TPOUR Contriever
- Trust Region Policy Optimization
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
