典型文献
基于多任务学习的跨语言信息检索方法研究
文献摘要：
跨语言信息检索是信息检索领域的重要任务之一.现有的跨语言神经检索方法通常使用单任务学习,单一的特征捕捉模式限制了神经检索模型的性能.为此,本文提出一种基于多任务学习的跨语言检索方法,利用文本分类任务作为辅助任务,使用共享文本特征提取层同时捕捉2个任务的特征信息,使其学习不同任务的特征模式,然后将特征向量分别输入到神经检索模型和文本分类模型中完成2个任务.另外,文本分类任务引入的外部语料也在一定程度上起到了数据增强的作用,进一步增加了特征信息的层次.在CLEF 2000-2003数据集的4个语言对上进行的实验表明,本方法明显改善了文本特征提取的效果,从而增强了神经检索模型性能,使神经检索模型的MAP值提高0.012～0.188,并使模型收敛速度平均提高了24.3％.
文献关键词：
信息检索;多任务学习;跨语言信息检索;神经检索模型;外部语料
中图分类号：
作者姓名：
代佳洋;周栋
作者机构：
湖南科技大学计算机科学与工程学院, 湖南湘潭411201
文献出处：
引用格式：
[1]代佳洋;周栋-.基于多任务学习的跨语言信息检索方法研究)[J].广西师范大学学报（自然科学版）,2022(06):69-81
A类：
神经检索模型,外部语料,CLEF
B类：
多任务学习,跨语言信息检索,检索方法,单任务,跨语言检索,文本分类,分类任务,辅助任务,文本特征提取,特征信息,特征模式,特征向量,别输,分类模型,上起,数据增强,模型性能,MAP,收敛速度
AB值：
0.200211
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
