A Deep Relevance Matching Model for Ad-hoc Retrieval

（2016 CIKM）

模型細節

1.對於query中的每個詞建立mapping直方圖

• 輸入：query中的每個詞和doc所有詞產生term pair，對於每一個pair使用相似度計算（論文中使用了cos距離），考慮到位置對於匹配問題其實沒有影響，此處不用位置資訊，而是將每個pair的相似度進行分級（即文中說的直方圖）

  • 例如：將餘弦相似度[-1, 1]分為五個區間{[-1,-0.5), [-0.5,-0), [0,0.5), [0.5,1), [1,1]} 。給定query中的一個詞“car”以及一篇文件（car, rent, truck, bump, injunction, runway）, 得到對應的區域性互動空間為(1, 0.2, 0.7, 0.3, -0.1, 0.1)，最後我們用基於計數的直方圖方法得到的直方圖為[0,1, 3, 1, 1]。

• 對於直方圖的生成有三種形式：
  

• 直方圖相對於matching matrix的優點：
  1.通過直方圖，區別不同的匹配訊號，而不像matching matrix所有匹配訊號都混雜在一起
  2.不需要zero padding，在matching matrix 中對於短文字需要進行padding，從而對其造成影響
  
  

2.輸入到前饋神經網路

對於query的每個詞形成的直方圖輸入到前饋神經網路

z0i $z_{}^{}$

3.產生最後的匹配分數

對於每個query詞產生的

結果分析

（1）加入idf非常有用
（2）NH方法效果很差，可能因為失去了doc長度，而doc長度在匹配問題中其實很有用