Un Modèle de Correspondance Pertinente Profonde pour la Récupération Ad Hoc

Ces dernières années, les réseaux neuronaux profonds ont permis des avancées passionnantes dans la reconnaissance vocale, la vision par ordinateur et les tâches de traitement du langage naturel (NLP). Cependant, il y a eu peu de résultats positifs des modèles profonds dans les tâches de recherche ad hoc. Cette situation est en partie due au fait que de nombreuses caractéristiques importantes des tâches de recherche ad hoc n'ont pas encore été bien abordées dans les modèles profonds. Généralement, la tâche de recherche ad hoc est formulée comme un problème d'appariement entre deux fragments de texte dans les travaux existants utilisant des modèles profonds, et traitée comme équivalente à de nombreuses tâches NLP telles que l'identification de paraphrases, le question-réponse et la conversation automatique. Cependant, nous soutenons que la tâche de recherche ad hoc concerne principalement l'appariement pertinence tandis que la plupart des tâches d'appariement NLP portent sur l'appariement sémantique, et qu'il existe des différences fondamentales entre ces deux types d'appariement. Un appariement pertinence réussi nécessite une gestion appropriée des signaux d'appariement exact, de l'importance des termes de requête et des exigences diverses d'appariement. Dans cet article, nous proposons un nouveau modèle d'appariement pertinence profond (DRMM) pour la recherche ad hoc. Plus précisément, notre modèle utilise une architecture profonde conjointe au niveau des termes de requête pour l'appariement pertinence. En utilisant une cartographie par histogramme d'appariement, un réseau neuronal d'appariement à propagation avant et un réseau neuronal de filtrage des termes, nous pouvons traiter efficacement les trois facteurs d'appariement pertinence mentionnés ci-dessus. Les résultats expérimentaux sur deux collections représentatives montrent que notre modèle peut significativement surpasser certains modèles de recherche bien connus ainsi que les modèles d'appariement profond les plus avancés actuellement.Note: - "ad-hoc retrieval" is translated as "recherche ad hoc" which is the standard French translation in the field.- "deep relevance matching model (DRMM)" is translated as "modèle d'appariement pertinence profond (DRMM)" to maintain the acronym and provide clarity.- "matching histogram mapping" is translated as "cartographie par histogramme d'appariement," which is a technical term that may not have a widely accepted French equivalent but should be clear in context.- "feed forward matching network" is translated as "réseau neuronal d'appariement à propagation avant," which accurately reflects the concept in French.- "term gating network" is translated as "réseau neuronal de filtrage des termes," which conveys the idea of controlling or filtering terms in the context of neural networks.