Core Concepts
강력한 크로스-인코더 랭커의 일반화를 향상시키기 위해서는 고품질 키워드 생성과 최소한의 쿼리 변경이 필요하다.
Abstract
이 논문은 쿼리 확장이 강력한 크로스-인코더 랭커의 일반화에 미치는 영향을 조사한다. 기존 연구에 따르면 쿼리 확장은 약한 모델에는 도움이 되지만 강력한 랭커에는 해를 끼친다.
저자들은 이 문제를 해결하기 위해 두 가지 핵심 단계를 제안한다:
대형 언어 모델을 사용하여 고품질 키워드를 생성하고, 자기 일관성을 통해 노이즈를 제거한다.
각 키워드를 독립적으로 쿼리에 삽입하고, 역순위 가중치를 사용하여 결과를 융합한다.
실험 결과, 이 방법은 BEIR와 TREC DL 2019/2020 데이터셋에서 MonoT5와 RankT5 모델의 nDCG@10 성능을 향상시킬 수 있었다. 이는 강력한 크로스-인코더 랭커에 쿼리 확장을 적용하는 새로운 방향을 제시한다.
Stats
기존 쿼리 확장 방법을 강력한 크로스-인코더 랭커에 직접 적용하면 성능이 저하될 수 있다.
제안 방법은 BEIR와 TREC DL 2019/2020 데이터셋에서 MonoT5와 RankT5 모델의 nDCG@10 성능을 향상시킬 수 있었다.
Quotes
"강력한 크로스-인코더 랭커의 일반화를 향상시키기 위해서는 고품질 키워드 생성과 최소한의 쿼리 변경이 필요하다."
"실험 결과, 이 방법은 BEIR와 TREC DL 2019/2020 데이터셋에서 MonoT5와 RankT5 모델의 nDCG@10 성능을 향상시킬 수 있었다."