上述推文捕捉了神經匹配技術的意圖

shovoroy404

些谷歌專利提到他們如何使用桌面上的滑鼠指標位置或行動裝置上視口中的滾動資料作為品質訊號。神經匹配去年丹尼沙利文提到谷歌如何推出神經匹配來更好地理解搜尋查詢背後的意圖。谷歌也表示我們現在已經達到了這樣一個階段神經網路可以幫助我們從理解單字到理解概念邁出一大步。神經嵌入是神經網路領域開發的一種方法它允許我們將單字轉換為底層概念的模糊表示然後將查詢中的概念與文件中的概念進行匹配。我們將這種技術稱為神經匹配。為了幫助人們理解神經匹配和之間的區別告訴幫助更好地將頁面與概念聯繫起來。神經匹配幫助更好地將單詞與搜索聯繫起來。有幾篇關於神經。

匹配的研究論文。第一個標題為用於即席檢索的深度相關性匹配模型。它提到使用以下是研究論文中的一些引用成功的相關性匹配需要正確處理精確匹配信號查詢項目重要性和多樣化的匹配要求。以交互為中心的 日本電話號碼 模型首先在兩段文本之間構建本地級別的交互即本地匹配信號然後使用深度神經網路來學習分層交互模式以進行匹配。根據多樣化的匹配要求相關性匹配與位置無關因為它可能發生在長文檔中的任何位置。大多數任務涉及語義匹配即識別語義並推斷兩段文本之間的語義關係而檢索任務主要涉及相關性匹配即識別文件是否與某個文本相關。給出的查詢。由於臨時檢索任務從根本上來說是一個排名問題因此我們採用成對排名損失例如鉸鏈。

   

損失來訓練我們的深度相關性匹配模型。該論文提到與相關性匹配相比語義匹配如何下降因為語義匹配依賴於相似性匹配信號某些具有相同含義的單字或短語可能在語義上遙遠組合含義匹配句子多於含義和全局匹配要求整體比較事物而不是查看最佳匹配部分較長的文檔然而相關性匹配可以對精確匹配訊號賦予顯著的權重精確匹配的權重高於近似匹配調整查詢項目重要性的權重搜尋查詢中的一個單字或短語可能具有更高的區分值並且可能值得更多權重高於下一個並利用不同的匹配要求允許在較長文件的任何部分進行相關性匹配這是上述研究論文中的幾張圖片然後第二篇研究論文是使用增強型文檔查詢互動進行深度相關性排名基於互動的模型效率。