Classement de pertinence profond en utilisant des interactions document-requête améliorées

Nous explorons plusieurs nouveaux modèles pour le classement de pertinence des documents, en nous appuyant sur le modèle de correspondance de pertinence profonde (Deep Relevance Matching Model, DRMM) de Guo et al. (2016). Contrairement au DRMM, qui utilise des encodages de termes et des interactions terme-requête-document insensibles au contexte, nous intégrons des encodages riches et sensibles au contexte dans l'ensemble de nos modèles, inspirés par les caractéristiques d'appariement de n-grammes convolutifs du PACRR (Hui et al., 2017), mais étendus de plusieurs manières, notamment par des vues multiples des entrées requête et document. Nous testons nos modèles sur des jeux de données issus du défi de réponse aux questions BIOASQ (Tsatsaronis et al., 2015) et TREC ROBUST 2004 (Voorhees, 2005), montrant qu'ils surpassent les baselines basées sur BM25, le DRMM et le PACRR.