Unsupervised Dense Information Retrieval with Contrastive Learning: differenze tra le versioni
Nessun oggetto della modifica |
Nessun oggetto della modifica |
||
| 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 | |||
}} | |||
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. | |||
[[Category:Pubblicazione]] | |||
{{#seo: | {{#seo: | ||
|title=Unsupervised Dense Information Retrieval with Contrastive Learning | |title=Unsupervised Dense Information Retrieval with Contrastive Learning | ||
|title_mode=append | |title_mode=append | ||
|keywords= | |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= | |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 delle 10:33, 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 |
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.