- 综合排序
- 最热优先
- 最新优先
- 来自专栏啦啦啦啦前端
信息检索格式 布尔检索式
信息检索格式 布尔检索式 名称 符号 表达式 功能 逻辑与 * 或and AB 同时含 有提问词A和B的文献，为命中文献 逻辑或 + 或or A+B 凡是含有提问词A或B的文献，为命中文献 逻辑非
1.7K40编辑于 2023-02-11 - 来自专栏大猪的笔记
信息检索：布尔检索-建立倒排索引(2)
倒排索引用来存储在全文搜索下某个单词在一个文档或者一组文档中的存储位置的映射。假定我们有3个文档：
1.7K20发布于 2019-11-21 - 来自专栏大猪的笔记
信息检索：布尔检索-求交集并集(1)
前言 布尔检索指对文档集进行布尔运算。 要实现布尔检索，关键在于建立倒排索引和求N个集合的交集，并集。在这里，首先实现两个集合的交并集简易算法。 求交集并集 要布尔检索，首先要求两个集合的交集或并集。
2K11发布于 2019-11-21 - 来自专栏Y-StarryDreamer
信息检索与文本挖掘
当涉及到自然语言处理（NLP）中的信息检索与文本挖掘时，我们进入了一个旨在从大量文本数据中发现有价值信息的领域。信息检索涉及从文本数据中检索相关信息，而文本挖掘则旨在自动发现文本中的模式、趋势和知识。 什么是信息检索与文本挖掘？信息检索是一项用于从大量文本数据中检索相关信息的任务。这通常涉及用户提供查询，系统然后在文本数据中查找与查询相关的文档或记录。 文本挖掘有助于组织和理解大规模文本数据，从中提取有价值的信息。为什么信息检索与文本挖掘重要？ 信息检索与文本挖掘在现代信息社会中具有关键意义，原因如下：大规模文本数据：我们生活在一个信息爆炸的时代，大量的文本数据每天产生。信息检索与文本挖掘可以帮助我们从这些海量数据中找到所需的信息和见解。 应用领域信息检索与文本挖掘在各种领域都有广泛的应用，包括但不限于：互联网搜索：搜索引擎如Google和百度使用信息检索技术来帮助用户找到网络上的相关信息。
2.2K140编辑于 2023-11-09 - 来自专栏Elastic Stack专栏
改进 Elastic Stack 中的信息检索：混合检索
Elasticsearch ®还具有强大的词汇检索功能和丰富的工具来组合不同查询的结果。在本博客中，我们介绍了混合检索的概念，并探讨了 Elasticsearch 中可用的两种具体实现。 混合检索尽管现代训练管道产生了在零样本场景中具有良好性能的检索器模型，但众所周知，词汇检索器（例如 BM25）和语义检索器（例如 Elastic Learned Sparse Encoder）在某种程度上是互补的 具体来说，如果假设检索到的相关文档之间比检索到的不相关文档之间出现更多匹配，那么结合检索方法的结果将提高相关性。 它应用于每种方法检索到的前 N 个文档集。如果任一方法的该集中缺少文档，则该项设置为零。介绍倒数排名融合的论文建议 k 值为 60，并且没有讨论要检索多少个文档 N。 BM25 检索通常比语义检索更快，这一事实缓解了这一问题。我们的研究结果表明，倒数排名融合可以安全地用作有效的“即插即用”策略。
4K31编辑于 2023-07-20 - 来自专栏madMen
Google Drive 的信息检索
对于使用 Google 全家桶的公司，Google 文档类的信息泄露时常发生。 后两个属于在域内可以查看到文档，一般来说也是不提倡如此设置，尤其是文档中包含敏感信息的。 检索 在我们获取 credentials.json 以及 token.json 文件之后，就已经能够完成 API 的鉴权。Files.List API 是进行文件检索的核心 API。 至此，基本上可以实现通过关键词实现对 Google Drive 信息的检索。虽然 Google Drive 支持关键词的全文搜索，但是搜索结果不支持展示匹配的上下文，这是唯一比较欠缺的地方。
1.6K20编辑于 2023-09-21 - 来自专栏Java 学习
【全文检索_11】Logstash 基本使用
1.1 基本介绍 1.1.1 工作原理 Logstash 是由 JRuby 编写的，使用基于消息的简单架构，在 JVM 上运行(本篇博客主要介绍 Logstash 基本使用，介绍请见 ☞【全文检索_ /bin/logstash -f first-pipeline.conf -w 10 1.2 inputs 1.2.1 File 监听插件 ☞ 概述 文件监听插件主要用来抓取文件的变化信息，将变化信息封装成
1.4K10发布于 2021-03-02 - 来自专栏Lan小站
汤圆创作小说检索信息采集
前段时间，因为一些原因，所以需要对这个汤圆创作的小说进行检索，于是写了几行python代码解析了一下搜索出来的结果的信息。
89030编辑于 2022-07-14 - 来自专栏机器之心
学界 | 微软论文概述神经信息检索技术：如何将神经网络用于信息检索？
论文的目的在于为神经模型与信息检索之间架起桥梁，互通有无，加快神经信息检索技术的发展。机器之心对该论文进行了编译，论文链接见文末。 我们以信息检索基本概念介绍和学习文本向量表征的不同神经、非神经进路开始。然后，我们回顾一下使用预训练的没有端到端学习信息检索任务的神经项嵌入（term embedding）的浅层神经信息检索方法。 最后，我们会回顾目前用于信息检索的 DNN 模型，并以讨论的形式对神经信息检索未来可能的发展方向进行总结。 ? 神经信息检索指的是将浅层或深层神经网络应用于这些检索任务之上。该教程目的在于介绍神经模型，其回应查询以进行文档排序，这是一项重要的信息检索任务。 第二部分会给出一个信息检索的任务、挑战、量度和非神经模型的调查。第三部分会提供简要神经信息检索模型的概览与信息检索的不同神经方法的分类。
1.8K40发布于 2018-05-07 - 来自专栏全栈程序员必看
信息检索导论(译)：第一章 布尔检索(1)
信息检索这个词的含义非常广。仅从钱包中取出信用卡，然后输入信用卡号也属于信息检索的范畴。然而，从学术角度来讲，信息检索定义如下： 信息检索即从大量非结构化文档集中找到满足需要的文档的过程。 信息检索正迅速取代传统的数据库搜索的方式，成为信息获取的主要方式。除此之外，信息检索技术还可以解决其他有关数据和信息的问题。所谓非结构化数据，指的是没有清晰的可被计算机理解的语义结构的数据。 信息检索技术还可以进行半结构化搜索，如寻找标题含有Java，正文中含有threading的文档。 信息检索领域还包括帮助用户浏览，过滤文档集，以及对检索结果进行再处理。 个人信息检索(personal information retrieval)：近年来，个人电脑操作系统开始集成信息检索系统。 所谓信息检索需求即用户期望得知的话题，它和查询(query)不同，所谓查询是用户将自己的信息检索需求表达为计算机可理解的方式。所谓一篇文档是相关的即用户认为此文档包含其信息检索需求相关的信息。
1.1K20编辑于 2022-07-04 - 来自专栏喔家ArchiSelf
隐私保护之隐私信息检索
那么，如何在用户进行信息检索时保护用户的隐私呢？这或许会涉及到一种名为隐私信息检索的技术。 什么是隐私信息检索？ 隐私信息检索是一种加密协议，旨在保障数据使用者的私隐，允许客户端从公共数据库中检索记录，同时向数据所有者隐藏检索记录的身份。实际上，检索数据而不向数据所有者透露其身份的可能性几乎为零。 隐私信息检索方案提供了有效的随机存取检索和高噪声恢复能力，允许通过只查看少量随机选择的码字比特就可以对任意比特的信息进行可靠的重建。 隐私信息检索方案的主要参数是通信复杂度，或者说是 度量用户和服务器之间通信的总比特数的函数。目前最有效的双服务器隐私信息检索协议的通信复杂度为 O (n的1/3次方)。 现代的隐私信息检索 现代的隐私信息检索方案不再基于多项式，其关键技术要素是一个具有限制交集的大集合族的设计。设 k 是一个小整数，它将 n 位消息编码成码字。
1.9K30编辑于 2023-09-02 - 来自专栏Elastic Stack专栏
改进 Elastic Stack 中的信息检索：对段落检索进行基准测试
图片在之前的博客文章中，我们讨论了信息检索的常见方法，并介绍了模型和训练阶段的概念。在这里，我们将介绍基准测试，以公平的方式比较各种方法。 BEIR 论文（“ BEIR：信息检索模型零样本评估的异构基准”，Takhur 等人，2021 年）提出了解决在通用环境中评估信息检索方法的问题。 例如，重新排序任务之前的初步检索可能会考虑前 1000 个检索到的文档，而单阶段检索可能会使用较小的列表大小来模仿用户的搜索引擎行为。我们选择将列表大小固定为前 10 个文档，这与我们的用例一致。 最后，随着时间的推移，数据库中主题或语义结构的变化将降低微调模型的检索准确性。结论我们使用 13 个数据集建立了信息检索的基础。 在我们的下一篇博客中，我们将讨论不需要创建标记数据集的高效检索系统的替代方法。这些解决方案将基于混合检索方法。
2.7K31编辑于 2023-07-20 生成式AI革新多模态信息检索
利用生成式AI进行多模态信息检索过去十年的大部分时间里，机器学习严重依赖于嵌入的概念：模型学习将输入数据转换为向量，使得向量空间内的几何关系具有语义含义。 嵌入概念意味着一个明显的信息检索范式：查询被嵌入到表示空间中，模型选择嵌入最接近它的响应。这也适用于多模态信息检索，因为文本和图像可以被嵌入到同一个空间。然而，最近生成式AI主导了机器学习研究。 在2025年计算机视觉与模式识别会议上，我们发表了一篇论文，将基于机器学习的信息检索更新到生成式AI时代。 这种方法以前尝试过，但GENIUS显著改进了先前基于生成的信息检索方法。在使用三个不同指标的测试中，GENIUS比先前性能最佳的生成检索模型的性能提升了22%到36%。 范式转变信息检索是从大型数据库中查找相关信息的过程。传统的基于嵌入的检索将查询和数据库项都映射到高维空间，并使用余弦相似度等度量来测量相似性。
22110编辑于 2026-02-01信息检索迈向对话式交互的未来
ECIR 2021：信息检索迈向对话式交互的时代会议背景 欧洲信息检索会议（ECIR 2021）聚焦于信息检索领域的创新突破，某机构学者Emine Yilmaz（伦敦大学学院计算机科学教授）指出：未来用户将通过多轮对话与计算机交互精准获取所需信息 技术演进：从列表检索到对话交互核心挑战语音交互的数据局限性：与传统网络搜索返回20条结果相比，语音查询通常仅返回单条结果，导致用户行为数据显著减少满意度预测模型：通过分析用户与语音助手的交互行为演化，构建预测模型判断查询满意度主动澄清机制 系统在不确定用户需求时主动提出澄清问题（例如"推荐川菜馆是因为检测到您偏好麻辣口味"）技术实现路径贝塔测试优化：新功能仅向目标小规模用户群开放，通过有限数据集预测潜在满意度评估指标体系：目前缺乏专用于对话式信息检索且与用户满意度高度相关的量化评估标准解释性反馈循环 避免用户听取过多无效结果探索与利用权衡：在保证用户体验前提下，确定新功能测试的最佳用户覆盖范围系统主动性设计：如何构建能主动发起澄清问题并解释推荐逻辑的智能系统未来发展方向尽管近年已投入大量研究构建对话式信息检索系统 重点技术方向包括：基于用户实时反馈的查询优化算法小样本学习在满意度预测中的应用融合解释生成与多模态检索的混合架构本文根据ECIR 2021会议技术内容整理，呈现信息检索领域向对话式交互转型的技术路径与挑战
24610编辑于 2025-08-26- 来自专栏PaddlePaddle
信息检索&FAQ硬核技术！SimNet模型
例如，信息检索可以归结为查询项和文档的匹配，问答系统可以归结为问题和候选答案的匹配，对话系统可以归结为对话和回复的匹配。如何提升文本匹配的准确度，是自然语言处理领域的一个重要挑战。 信息检索：在信息检索领域的很多应用中，都需要根据原文本来检索与其相似的其他文本，使用场景非常普遍。除纯文本检索外，SimNet还适用于通过标签来检索图片、视频等场景，大大提高检索效率。 智能客服：用户输入一个问题后，自动为用户检索出相似的问题和答案，节约人工客服的成本，提高效率。 总结来说，SimNet有三大特点： 算法效果好：百度搜索等海量用户数据为SimNet相似度算法提供了丰富的指导信息，模型效果优于已公开的主流算法。 （2）表示层 该层主要功能是由词到句的表示构建，或者说将序列的孤立的词语的 embedding 表示，转换为具有全局信息的一个或多个低维稠密的语义向量。
1.8K40发布于 2019-08-31 - 来自专栏Reinvent Data Science
详解如何通过稀疏向量优化信息检索
特别是与 Milvus 向量数据库结合时，稀疏向量能够改进信息检索系统，通过提高检索效率，提供富含上下文的答案，最终优化系统性能。 01.信息检索方式演变：从关键词匹配到上下文理解 早期信息检索系统主要依靠基于统计的关键词匹配方法，如 TF-IDF 和 BM25 等词袋（Bag of Words)算法。 这一方法标志着信息检索方法逐渐转向由机器学习驱动。 随着 BERT 的出现——一种基于 Transformer 的革命性预训练语言模型，彻底改变了信息检索的方式。 02.领域外信息检索挑战 稠密向量技术，如 BERT，与传统的词袋模型相比有着其独有的优势——能够精确把握文本中的复杂语境。这一特性极大地提升了信息检索系统在处理熟悉领域查询时的性能。 03.学习得到的稀疏向量：将传统稀疏向量与上下文信息相结合 结合 Out-of-Domain 检索的精确词匹配技术，如词袋模型和 BERT 等稠密向量检索方法进行语义检索，长期以来一直是信息检索领域的一项主要任务
2.2K20编辑于 2024-07-20 - 来自专栏猛牛哥的博客
检索或设置系统信息的API函数
以下函数均用于检索或设置系统信息。
48440编辑于 2023-10-21 - 来自专栏NewBeeNLP
信息检索中的花式预训练
作者 | 上杉翔二 悠闲会 · 信息检索 整理 | NewBeeNLP 目前信息检索(Information Retrieval)几乎都是使用深度学习系列的方法，即NeuIR 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。这篇文章博主将整理来自清华大学与中科院的信息检索综述，先上路径。 （1）核心问题 IR系统的目标是提供用户所需的信息，因此它的核心问题是评估一个查询q和一个文档d之间的相关性。 主要方法可以分为三类：传统检索模型、Learning to Rank (LTR) 模型和神经网络检索模型。 传统检索模型一般利用精确匹配信号来衡量相关性，如BM25等模型。 Multi-stage Retrieval (n>=2)：这种框架采用多个re-ranker，其中不同的re-ranker采用着不同的结构，可以分别利用不同的互补信息。
2.2K40编辑于 2022-04-14 - 来自专栏攻城狮Chovas
微服务架构Day11-SpringBoot之检索
ElasticSearch ElasticSearch是开源的全文搜索引擎,可以快速的存储,搜索,分析海量数据.SpringBoot通过整合Spring Data ElasticSearch提供检索功能支持 并且提供 自动resharding的功能 ElasticSearch使用 参照ElasticSearch使用文档 示例 对于员工目录，我们将做如下操作： 1.每个员工索引一个文档，文档包含该员工的所有信息 love to go rock climbing", "interests": [ "sports", "music" ] } 路径 /megacorp/employee/1 包含了三部分的信息 build(); .执行 jetClient.excute() SpringData ElasticSearch: SpringData ElasticSearch使用 Client: 需要配置节点信息
57020编辑于 2022-01-22 - 来自专栏python全栈教程专栏
mysql数据库（7）：表中检索信息
'pig'); (4)选择特殊列：select name,birth from pet; 找出谁拥有宠物，使用这个查询：select owner from pet; 请注意该查询只是简单地检索每个记录的 为了使输出减到最少，增加关键字DISTINCT检索出每个唯一的输出记录：select distinct owner from pet; 可以使用一个WHERE子句结合行选择与列选择。
6.8K20发布于 2021-10-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号