Группы тематических моделей для случайного информационного поиска

Аннотация

Случайный информационный поиск (ad-hoc information retrieval, ad-hoc IR) – сложная задача, состоящая из ранжирования текстовых документов для запросов набора слов. Классические подходы, основанные на запросах и вычислении векторов в текстовых документах, пользуются функциями взвешивания терминов для ранжирования этих документов. Некоторые из ограничений подобных методов заключаются в их неспособности работать с полисемантическими понятиями. Более того, эти методы вводят ненастоящие/мнимые соответствия между семантически связанными словами. Чтобы устранить эти ограничения, изучаются основанные на темах подходы информационного поиска, сфокусированные на модели. В частности, тематические модели, основанные на скрытом распределении Дирихле (Latent Dirichlet Allocation, LDA) допускают строительство представлений текстовых документов в скрытом пространстве тем, лучшее моделирование полисемии и избежание появления ненастоящих представлений между связанными терминами. Мы усилили стратегии информационного поиска, основанные на LDA, включением в их состав различных групп стратегий. Выбор модели накладывает общую образовательную парадигму, в рамках которой мы тестируем два успешных подхода, широко используемых в контролируемом обучении. Мы проверяем методы бустинга и бэггинга на тематических моделях, при этом каждая модель выступает в роли слабого эксперта в области информационного поиска. Затем мы объединяем списки ранжирования, полученные от каждой модели, с помощью простого, но результативного подхода к слиянию топ–k списка. Мы утверждаем, что наше предложение подкрепляет результаты в точности и полноте, превосходя классические модели IR и сильные базовые показатели, основанные на тематических моделях.