POSIT-DRMM（18’Google）

 Deep Relevance Ranking Using Enhanced Document-Query Interactions
      https://github.com/nlpaueb/deep-relevance-ranking.

Introduction

在DRMM（它使用对上下文不敏感的术语编码和查询-文档术语交互）的基础上，整个模型中注入了丰富的对上下文敏感的编码。并研究了多种变体。都为基于交互的神经检索模型。

预备知识

DRMM（匹配直方图）:

PACRR和PACRR-DRMM

PACRR：首先计算q和d的相似度矩阵，然后卷积—max pooling----按行取k-max pooling—形成多个（filter的数量）矩阵—将所有矩阵行进行连接送入Dense layers—得到匹配得分
PACRR-DRMM：将每一行用一个独立的MLP评分，最后通过线性层汇总

ABEL-DRMM

Context-sensitive Term Encodings

与PACRR不同，ABEL-DRMM将交互信息融入在编码之后，具体地：
首先使用Bi-LSTM编码q和d（pre-train embedding），然后将原始编码和输出的隐藏状态结合，作者认为这个空间中的相似性已经是上下文敏感的：

形式上：
给定文档$d$={ $d_1$,…,$d_m$}和查询$q$={ $q_1$,…,$q_n$}，首先计算每一个$d_j$对$q_i$的注意力分数(点乘):

得到$d$对$q$的关注表示：

然后结合q得到doc-aware query 编码（可以使用多种函数代替：比如；欧氏距离的平方）（L2正则化）：

直观地说，如果文档包含一个或多个与$q_i$相似的terms $d_j$，attention机制将会更加强调这些terms

POSIT-DRMM

出发点

既希望模型奖励q-term和文档之间的最大number匹配，也奖励(几个q-term和文档之间的)平均匹配，以奖励具有更高匹配密度的文档。ABEL-DRMM的doc-aware q-term 评分没有考虑到这一点，因为注意力总和隐藏了单个或多个 term 是否高度相似匹配。

细节

首先，使用余弦相似度计算每一个$d_j$对$q_i$的注意力分数（注意，没有softmax）：

接下来并不加权，而是连接这些注意力分数：

然后再$a_i$上应用两个pooling操作创造一个$q_i$的2维doc-aware编码:

多view

第二个view是将pre-train的q和d的嵌入看作另外2个维度
第三个view是q和d的one-hot向量作为2个维度

实验

 https://github.com/nlpaueb/deep-relevance-ranking.

任务：re-rank
dataset ：TREC ROBUST 2004 and BioASQ
结果：

attention 可视化：