合并查询约束以实现自动编码器增强排名

学习排名已广泛用于信息检索任务中，以构建用于文档检索的排名模型。 现有的学习排序方法采用有监督的机器学习方法作为核心技术，经典检索模型作为文档特征。 文档功能的质量会严重影响排名模型的有效性。 因此，有必要在排序中生成有效的文档特征以扩展学习的特征空间以进行排序，以便更好地对查询及其对应文档之间的相关性进行建模。 最近，深度神经网络模型已用于为各种文本挖掘任务生成有效特征。 自动编码器是神经网络的一种构建模块，它基于编码器-解码器框架将语义信息捕获为有效特征。 在本文中，我们将自动编码器结合到基于学习排名的构建排名模型中。 在我们的方法中，自动编码器用于生成有效的文档功能，以捕获文档的语义信息。 通过考虑基于Bregman散度的三种查询约束，我们提出了一种查询级半监督自动编码器。 我们评估了我们模型在LETOR 3.0和LETOR 4.0数据集上的有效性，并表明我们的模型在性能上大大优于其他竞争方法。 （C）2019 Elsevier BV保留所有权利。