Pre-training Methods in Information Retrieval

最新推荐文章于 2025-05-30 22:07:26 发布
最新推荐文章于 2025-05-30 22:07:26 发布
阅读量209 收藏
点赞数
文章标签： 深度学习 信息检索
原文链接：https://blog.youkuaiyun.com/qq_36891953/article/details/121641904
版权

https://blog.youkuaiyun.com/qq_36891953/article/details/121641904

WUST_ZZY
关注
LangChain实战：使用 RAG 工作流程进行高效信息检索 Efficient Information Retrieval with RAG Workflow
AI天才研究院
10-22 2329
检索增强生成 (RAG) 是一种与预训练的大型语言模型 (LLM) 和您自己的数据配合使用来生成响应的模式。seq2seq它结合了预训练密集检索和序列到序列模型的强大功能。RAG 模型检索文档，将它们传递给 seq2seq 模型，然后边缘化以生成输出。article在我向您介绍 RAG 理论部分的文章的继续部分，我在这里向您介绍 RAG 在代码中的实现。让我们开始使用 Langchain 和 Hugging Face 来实现 RAG！
【搜索排序】预训练综述Pre-training Methods in Information Retrieval
weixin_40485502的博客
05-05 866
文章目录相关性效率系统2. 召回阶段2.1 Sparse Retrieval Models2.2 Dense Retrieval Models。2.3 混合方式3.re-rank阶段4. 其他组件4.1 在query理解上4.2 在doc理解上：未来工作 信息检索中的花式预训练综述（Pre-training Methods in Information Retrieval） Pre-training Methods in Information Retrieval 核心：相关性 传统检索模型 Lear
【论文阅读】Pre-training Methods in Information Retrieval
qq_52852138的博客
10-23 1173
【论文阅读 FnTIR2022】Pre-training Methods in Information Retrieval
信息检索中的花式预训练综述
nakaizura
02-13 2083
目前信息检索IR几乎都是使用深度学习系列的方法，即NeuIR(neural information retrieval)。而随着预训练在深度学习领域的大放光芒，信息检索中也出现了各种预训练策略。这篇文章博主将为大家整理来自清华大学与中科院的信息检索综述，先上路径。 Title：Pre-training Methods in Information Retrieval Link：https://arxiv.org/abs/2111.13853 背景 如上图展示的是搜索过程的分层介绍，分别从核心问题（Th.
总结！语义信息检索中的预训练模型
Kaiyuan_sjtu的博客
09-05 952
作者|Chilia哥伦比亚大学nlp搜索推荐整理|NewBeeNLP大家好，这里是NewBeeNLP。本文对预训练模型在召回(retrieval), 排序(re-ranking)，以及其他部分的应用做一个总结，参考学长们的综述：Pre-training Methods in Information Retrieval[1]1. 背景搜索任务就是给定一个qu...
Pre-training Methods in Information Retrieval 阅读笔记(前6部分翻译)
RUCblake的博客
12-10 2178
预训练模型在IR领域的研究综述(翻译)
DuoAttention: EFFICIENT LONG-CONTEXT LLM INFERENCE WITH RETRIEVAL AND STREAMING HEADS 翻译
Doc2X的博客
11-22 741
https://arxiv.org/pdf/2410.10819 DuoAttention: EFFICIENT LONG-CONTEXT LLM INFERENCE WITH RETRIEVAL AND STREAMING HEADS DuoAttention: 带有检索和流式头的高效长上下文LLM推理
【2011-2016】 NIPS汇总 - Advances in Neural Information Processing Systems
热门推荐
Testing的博客
10-02 1万+
Advances in Neural Information Processing Systems 24 (NIPS 2011) The papers below appear in Advances in Neural Information Processing Systems 24 edited by J. Shawe-Taylor and R.S. Zemel and P.L.
陋室快报 | 近期好文分享-20211127
baidu_25854831的博客
12-05 580
陋室快报陋室快报是对陋室推荐栏目更新优化后的版本，更快更准的给大家推荐优质信息，频率预计是一周一次。敬请关注。栏目介绍：陋室快报栏目介绍。近期，我再次总结了我的历史文章，累积起来有50w字...
LSTM三个门控机制详解
感谢所有乐于奉献的人，在此不一一具名
05-26 742
LSTM三个门控机制详解
深度学习核心网络架构详解（续）：从 Transformers 到生成模型
yzx991013的博客
05-29 873
本文深入探讨了四种重要的深度学习架构：Transformer、生成对抗网络(GAN)、自编码器和强化学习。详细解析了Transformer的自注意力机制及其机器翻译应用，演示了GAN生成手写数字的实现，介绍了自编码器的图像压缩原理，并通过DQN算法解决了CartPole平衡问题。每种架构均包含理论讲解和PyTorch代码实现，展示了它们在不同领域的应用潜力。这些技术代表了深度学习的前沿方向，掌握它们对理解现代AI系统至关重要，也为后续学习更先进的模型奠定了坚实基础。
深度学习篇---OC-SORT实际应用效果
道阻且长，行则将至。
05-30 881
OC-SORT算法在准确性、鲁棒性和效率上显著优于SORT、DeepSORT等传统多目标跟踪算法。其以观测为中心的恢复机制（ORU）和在线平滑策略（OOS）有效降低遮挡场景的ID切换率（如MOT17数据集ID切换次数比DeepSORT减少38%），并通过运动方向一致性提升复杂运动匹配精度（MOT20场景MOTA达65.8%）。算法对低质量检测框容错性强（IDF1提升7.2%），且无需场景适配即可泛化至交通、安防等领域。计算效率方面，纯运动模式下可达85FPS（CPU），内存占用减少40%。
深度学习教学目录
FJN110的博客
05-30 383
深度学习课程：面向计算机视觉、深度学习小白，本产品包含但不限于以下文档 一、环境配置详解，全平台支持 提供Windows、Linux、树莓派、瑞芯微板（RK）等多平台下的PyTorch与TensorFlow环境配置教程，图文并茂，细致入微，确保每一位学习者都能顺利完成环境搭建。 同时，文档中还详细讲解了服务器部署、AI大模型运行、Docker容器配置、VNC远程连接等高级内容，适用于科研和生产环境。
Dataset和Dataloader
zx15600886035的博客
05-27 588
维度DatasetDataLoader核心职责定义“数据是什么”和“如何获取单个样本”定义“如何批量加载数据”和“加载策略”核心方法（获取单个样本）、__len__（样本总数）无自定义方法，通过参数控制加载逻辑预处理位置在中通过transform执行预处理无预处理逻辑，依赖Dataset返回的预处理后数据并行处理无（仅单样本处理）支持多进程加载（典型参数root（数据路径）、transform（预处理）batch_sizeshuffle核心结论Dataset类：定义数据的内容和格式。
【专题】深度学习期末复习资料（题库）
Pqf18064375973的博客
05-30 326
深度学习期末复习资料（题库）
正则化-深度学习
FJN110的博客
05-30 30
正则化参数（通常记作 λ\lambdaλ 或 α\alphaα）在机器学习中的作用是通过控制模型的复杂度来防止过拟合。
基于多尺度卷积和扩张卷积-LSTM的多变量时间序列预测
专注AI大模型,软件混淆,授权
05-29 78
本文提出了一种结合多尺度卷积、扩张卷积和LSTM的混合神经网络模型，用于多变量时间序列预测。该模型通过多尺度卷积捕获不同时间尺度的局部特征，利用扩张卷积扩大感受野捕捉长期依赖，并借助LSTM处理序列数据的时序关系。文章详细介绍了模型架构、关键技术原理，并提供了完整的PyTorch实现代码，包括数据预处理、模型定义、训练过程和评估方法。实验结果表明，该模型能有效提取时空特征，在金融、气象、交通等领域具有广泛应用前景。代码实现完整且注释详尽，便于读者理解和使用。
DAY 40 训练和测试的规范写法
最新发布
MasterLLL0228的博客
05-30 348
仔细学习下测试和训练代码的逻辑，这是基础，这个代码框架后续会一直沿用，后续的重点慢慢就是转向模型定义阶段了。dropout操作：训练阶段随机丢弃神经元，测试阶段eval模式关闭dropout。展平操作：除第一个维度batchsize外全部展平。彩色和灰度图片测试和训练的规范写法：封装在函数中。
【深度学习-pytorch篇】3. 优化器实现：momentum,NAG,AdaGrad,RMSProp,Adam
weixin_48846514的博客
05-28 1154
优化器实现：momentum,NAG,AdaGrad,RMSProp,Adam
Retrieval-Augmented Generation
12-31
### Retrieval-Augmented Generation (RAG) in NLP #### Definition of RAG Retrieval-Augmented Generation combines the strengths of retrieval-based models with generative models to improve conversational...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值