本地引文建议的目标是推荐从本地引文上下文中缺少的参考,也可以从全球背景下选择。为了在大规模纸质数据库的背景下平衡引文建议的速度和准确性之间的权衡,一种可行的方法是使用有效的排名方法来预先取代有限数量的相关文件,然后使用更多复杂的模型。在那种静脉中,BM25已被发现是一种艰难的预取方法,这就是为什么最近的工作主要集中在重新登记的步骤中。即便如此,我们探讨了由分层注意网络构造的文本嵌入的最近邻南搜索的预取。当耦合与速度regered在本地引文推荐任务上进行微调时,我们的分层关注编码器(Hatten)实现了高预备回忆,以便重新登记给定数量的候选候选者。因此,我们的Reranker需要重新命名更少的预取候选者,但仍然在各种本地引文推荐数据集上实现最先进的性能,例如ACL-200,FullTextPeerread,Refse和Arxiv。
translated by 谷歌翻译