في هذه الورقة، نقترح نموذجا جديدا تصنيفا جديدا، مما يحسن مهمة استرجاع المستندات (DR) من خلال عملية تدريبية على تكيفه المهام وآلية استرداد رمزية مجزأة (Strm). في التدريب التكيفي المهمة، نقوم أولا بتدريب Dr-Bert Transly-editive، ثم جعل ضبط الطورين الدق
يقين. في ضبط الطور الأول، يتعلم النموذج أنماط مطابقة المستندات للاستعلام فيما يتعلق بأنواع الاستعلام المختلفة بطريقة مدفوعة. بعد ذلك، في ضبط الطور الثاني، يتعلم النموذج ميزات الترتيب على مستوى المستند وتصنيف المستندات فيما يتعلق باستعلام معين بطريقة مدرجة. تتيح هذا الزائد Plus Plus Tunning النموذج لتقليل الأخطاء في تصنيف المستند عن طريق دمج الإشراف المحدد في الترتيب. في هذه الأثناء، يستخدم النموذج المستمد من الأضواء بشكل رائع أيضا للحد من الضوضاء في البيانات التدريبية للضبط بشكل جيد. من ناحية أخرى، نقدم Strm والتي يمكنها حساب تمثيل كلمة OOV والسياق بشكل أكثر دقة في النماذج القائمة على بيرت. كاستراتيجية فعالة في Dr-Bert، يحسن Strem Perfromance مطابقة كلمات OOV بين الاستعلام وثيقة. والجدير بالذكر أن نموذج الدكتور برت يحتفظ في المراكز الثلاثة الأولى على المتصدرين MS MARCO منذ 20 مايو 2020.
يمكن أن يساعد التحقق من المطالبات العلمية الباحثون على العثور بسهولة على الأوراق العلمية المستهدفة مع أدلة الجملة من كوربوس كبيرة للمطالبة المعينة.تقترح بعض الأعمال الموجودة نماذج خطوط الأنابيب على المهام الثلاث من استرجاع مجردة، اختيار الأساس المنطق
ي والتنبؤ بالموقف.مثل هذه الأعمال لها مشاكل انتشار الأخطاء بين الوحدات النمطية في خط الأنابيب ونقص مشاركة المعلومات القيمة بين الوحدات النمطية.وبالتالي، نقترح نهجا، سميت باسم Arsjoint، والتي تتعلم بالاشتراك الوحدات المهام الثلاثة ذات الإطار الفهم لقراءة الآلة من خلال إدراج معلومات المطالبة.بالإضافة إلى ذلك، نحن نعزز تبادل المعلومات والقيود بين المهام من خلال اقتراح مصطلح تنظيمي بين درجات انتباه الجملة من استرجاع الملخص والمخرجات المقدرة من الاختيار العقلاني.تظهر النتائج التجريبية على DataSet Benchmark Scifact أن نهجنا يتفوق على الأعمال الحالية.
