概述笔记 TREC 2020|OVERVIEW OF THE TREC 2020 DEEP LEARNING TRACK

文章目录

1 介绍
2 任务定义
- 2.1 文档检索
- 2.2 段落检索
3 数据集
4 结果分析
- 4.1 深度学习与传统方法的对比
- 4.2 端到端检索与重排的对比
- 4.3 ORCAS数据的影响
- 4.4 NIST标签与稀疏的MS MARCO标签的对比
5 总结

1 介绍

概述题目：OVERVIEW OF THE TREC 2020 DEEP LEARNING TRACK
概述来源：TREC 2020
概述链接：https://trec.nist.gov/pubs/trec29/papers/OVERVIEW.DL.pdf

深度学习的方法已经在语音识别和CV领域取得了显著的性能提升，但在信息检索中，并没有显著的性能提升。TREC Deep Learning Track的主要目标是研究在大的训练数据区域中的信息检索，以确定哪种检索方法效果最好。

2 任务定义

分为两个任务：文档检索和段落检索

2.1 文档检索

文档检索任务分为完整检索和top-100重排。

在完整检索子任务中，将根据文档与查询的相关性对文档进行排序，可以从提供的完整文档集合中检索文档。此子任务对端到端检索场景进行建模。
在重排子任务中，给出100个文档的初始排名，对这些文档进行排序。

评测标准：

完成相关：该文档专用于查询，值得成为搜索引擎中的top结果
高度相关：文档提供大量的信息与查询有关
相关：文档提供一些信息与查询有关(可能很少)
不相关：文档对查询不提供有用的信息

2.2 段落检索

与文档检索类似，分为完整检索和top-1000重排。

在完整检索子任务中，给定一个查询，要求参与者根据他们估计的包含问题答案的可能性，从完整集合中检索段落的排序列表。对于这项端到端检索任务，参与者每次查询最多可以提交1000篇段落。
在重排子任务中，对每个查询提供给参与者1000篇段落，进行重新排名。
评测标准也类似。

3 数据集

基于人工相关性评估的数据集MS MARCO，同时发布一个大规模点击数据集ORCAS，来源于主流搜索引擎的日志。

4 结果分析

方法分为三类：

nnlm：使用大规模预训练语言模型
nn：使用深度学习的方法或者词向量
trad：传统信息检索方法

评测指标为NDCG@10(Normalized Discounted Cumulative Gain)、Average Precision (AP)和Reciprocal Rank (RR)。

4.1 深度学习与传统方法的对比

可以发现在b图中三中方法的差距是更大，一个原因是在短文本中，查询和相关结果之间的词汇不匹配的概率是更大的。另一个原因是对于段落任务，尽管没有NIST的测试标签，但是已经有了一个公共排行榜
在文档检索任务中，最好的nnlm模型比最好的传统模型在38个(共45个，84%)测试查询上表现好。在段落检索中的结果也类似。

4.2 端到端检索与重排的对比

结果如下图，具体来说，对于文档检索任务，最佳的完整检索比最佳重排高 5%的NDCG@10；而对于段落检索任务，与最佳的重排相比，最佳的完整检索的性能稍差(NDCG@10低0.3%)

4.3 ORCAS数据的影响

使用ORCAS数据集会提高NDCG@10的性能，最大的增加是在 NDCG@10大约0.0513%。

4.4 NIST标签与稀疏的MS MARCO标签的对比

NIST官方标签更全面，涵盖每个查询的大量结果，并在NIST以四分制进行标记。MS MARCO中对于一个查询通常有一个positive result。
下图展示了一致性，深度学习方法是高的，对于传统方法的文档检索一致性接近为0。

如下图，使用ORCAS数据表现得更好在MS MARCO评测设置上。ORCAS数据集和MS MARCO标签之间的相似性似乎是两个评估结果不匹配的原因之一。

5 总结

虽然使用ORCAS数据集似乎有助于提高系统的性能，但没有必要使用 ORCAS 数据来实现最高的 NDCG@10。
重拍的方法和端到端检索的方法没有大的差距。
使用两种评测标签，在段落检索任务中一致性较高，文档检索任务中一致性较低。
使用ORCAS数据集是低相关性的一个理由。