Unsupervised Dense Information Retrieval with Contrastive Learning: differenze tra le versioni
(Creata pagina vuota) |
Nessun oggetto della modifica |
||
| (4 versioni intermedie di 2 utenti non mostrate) | |||
| Riga 1: | Riga 1: | ||
{{template pubblicazione | |||
|data=2021 | |||
|autori=Gautier Izacard, Mathilde Caron, Lucas Hosseini, Sebastian Riedel, Piotr Bojanowski, Armand Joulin, Edouard Grave | |||
|URL=https://www.semanticscholar.org/paper/4f4a409f701f7552d45c46a5b0fea69dca6f8e84 | |||
|topic=Information Retrieval | |||
|citazioni=615 | |||
}} | |||
Vedi anche: [[Contriever]] | |||
Questo studio esplora l'information retrieval denso non supervisionato mediante l'apprendimento contrastivo. L'obiettivo è migliorare la similarità semantica e l'efficacia della ricerca, in particolare in situazioni con pochi dati di addestramento o in contesti multilingue. I risultati mostrano che questo approccio supera i metodi tradizionali come BM25 in molti casi e offre un promettente punto di partenza per l'addestramento con dati limitati. Inoltre, dimostra buone capacità di trasferimento cross-linguale, aprendo nuove possibilità per la ricerca in lingue a basse risorse. | |||
=== Collegamenti === | |||
https://github.com/facebookresearch/contriever | |||
[[Category:Pubblicazione]] | |||
{{#seo: | |||
|title=Unsupervised Dense Information Retrieval with Contrastive Learning | |||
|title_mode=append | |||
|keywords=information retrieval, apprendimento contrastivo, similarità semantica, ricerca non supervisionata, pochi dati, multilingue, BM25, trasferimento cross-linguale, lingue a basse risorse, addestramento con dati limitati | |||
|description=Studio sull'information retrieval denso non supervisionato con apprendimento contrastivo. Supera metodi tradizionali come BM25, migliorando la similarità semantica, specie in contesti multilingue o con pochi dati. | |||
}} | |||
Versione attuale delle 13:34, 24 nov 2024
| Unsupervised Dense Information Retrieval with Contrastive Learning | |
|---|---|
| Data | 2021 |
| Autori | Gautier Izacard, Mathilde Caron, Lucas Hosseini, Sebastian Riedel, Piotr Bojanowski, Armand Joulin, Edouard Grave |
| URL | https://www.semanticscholar.org/paper/4f4a409f701f7552d45c46a5b0fea69dca6f8e84 |
| Topic | Information Retrieval |
| Citazioni | 615 |
Vedi anche: Contriever
Questo studio esplora l'information retrieval denso non supervisionato mediante l'apprendimento contrastivo. L'obiettivo è migliorare la similarità semantica e l'efficacia della ricerca, in particolare in situazioni con pochi dati di addestramento o in contesti multilingue. I risultati mostrano che questo approccio supera i metodi tradizionali come BM25 in molti casi e offre un promettente punto di partenza per l'addestramento con dati limitati. Inoltre, dimostra buone capacità di trasferimento cross-linguale, aprendo nuove possibilità per la ricerca in lingue a basse risorse.
Collegamenti
https://github.com/facebookresearch/contriever