Visualizza wikitesto di Dense Passage Retrieval for Open-Domain Question Answering

{{template pubblicazione
|data=2021
|autori=Vladimir Karpukhin, Barlas Oğuz, Sewon Min, Patrick Lewis, Ledell Yu Wu, Sergey Edunov, Danqi Chen, Wen-tau Yih
|URL=https://www.semanticscholar.org/paper/b26f2037f769d5ffc5f7bdcec2de8da28ec14bee
|topic=Question Answering
|citazioni=2997
}}

Questo articolo presenta un nuovo metodo per il recupero dei passaggi nel question answering a dominio aperto. Invece di utilizzare i tradizionali modelli vettoriali sparsi, come TF-IDF o BM25, gli autori propongono un sistema di recupero denso basato su rappresentazioni dense. Le inclusioni vengono apprese da un piccolo numero di domande e passaggi tramite una semplice struttura a doppio encoder. Questo approccio ha dimostrato di superare un forte sistema Lucene-BM25 del 9%-19% in termini di accuratezza del recupero dei 20 passaggi principali e ha aiutato il loro sistema di domande e risposte end-to-end a stabilire un nuovo stato dell'arte su diversi benchmark di domande e risposte a dominio aperto. [[Categoria:Pubblicazione]]

{{#seo:
|title=Dense Passage Retrieval for Open-Domain Question Answering
|title_mode=append
|keywords=recupero informazioni,question answering,open-domain,rappresentazioni dense,doppio encoder,TF-IDF,BM25,accuratezza,benchmark,pubblicazione
|description=Questo studio introduce un innovativo metodo di recupero denso per il question answering a dominio aperto, superando i modelli vettoriali tradizionali. L'approccio basato su rappresentazioni dense e una struttura a doppio encoder migliora l'accuratezza del recupero dei passaggi, stabilendo un nuovo standard nei benchmark di settore.
}}