基于深度学习的查询扩展研究

摘要：

通过在查询扩展中引入深度学习框架,并结合局部和全局查询扩展模型,从而解决查询扩展中伪相关反馈引起的查询漂移问题.选择eBay于2017年发布的查询短语和商品名称作为实验数据,在伪相关反馈的基础上提出基于深度学习的查询扩展模型(deep learning based query expansion model,DLQEM),以实现更准确有效的查询扩展,并将其应用到信息检索任务中.实验结果表明,DLQEM的precision@10值在伪相关反馈(PRF)的基础上分别提高了3.5％和3.7％,验证了本文所提出假设(通过概念相关扩展词与反馈信息扩展词取交集能够有效地控制反馈相关扩展词造成的查询漂移)的有效性.深度学习能够解决监督学习在短文本集上难以获得好的分类效果的问题,将其与传统查询扩展模型进行结合,解决了传统查询扩展中需要用户参与和检索速度迟缓两大弊端,控制了查询漂移.

关键词：信息检索、查询扩展、深度学习、伪相关反馈

所属期刊栏目：38

资助基金：国家自然科学基金面上项目"大数据环境下基于领域知识获取与对齐的观点检索研究"71373286;中南财经政法大学中央高校基本科研业务费专项资金资助项目"大数据视角下的中美贸易战观点挖掘研究"2722019JX007

在线出版日期：2019-11-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1066-1077