抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
現在のWeb検索エンジンにおいて,質問とWebページ(すなわち文書)の間の関連性は,テキストマッチング(TM)モデルによって測定される。検索された文書は主にテキスト質問自体のマッチングに焦点を合わせているが,ユーザ意図に向けての目標情報(例えば質問スタイル質問への直接回答)を見つけることはできない。従って,ユーザが希望するターゲット情報を含む文書は,検索結果においてトップ1にランク付けされないか,または再呼ばれない。その上,音声検索と音声による支援が我々の生活に入っているので,質問は長いテールになる傾向があり,それは検索エンジンがより高いレベルの意味論的関連性マッチングに進化したことを必要とする。したがって,現代の探索シナリオにおける意図的なターゲット関連性マッチングモデルを構築することが必要である。本論文では,機械の包括的な組込み式高さマッチング(MCRM)の統一モデルを提案した。全体として,MCRMモデルは,Webユーザが,タイトルまたは要約を観察することにより読み出すために,関連文書を選択し,それらからのターゲット情報をさらに探す。それを達成するために,最初に,テキストマッチングと目標抽出として2つのタスクを定式化した。それぞれのタスクを学習するために,文脈拡張マッチングネットワーク(ContMatch)とマッチング融合マシン包括ネットワーク(MatComprehend)を提案した。次に,それらを意味論的関連性を測定することができるだけでなく,質問に隠された意味論を深く理解し,質問と文書の間の意図的な目標関係を利用することによって,意味論的関連性を測定することができるエンドツーエンドフレームワークに統合した。MCRMにおいて,2つのタスクはマルチタスク学習アプローチによって共同的に学習される。そこでは,ContMatchによって測定された意味論的関連性とMatComprehendによって捕捉された意図目標関連性を結合し,最終性能を高めるために相互に強化する。実世界データに関する広範な実験を行った。実験結果は,最先端の関連性モデルに対するMCRMの優位性を実証した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】
