العديد من الأساليب الأخيرة تجاه استرجاع المعلومات العصبية تخفف من تكاليفها الحاسوبية باستخدام خط أنابيب الترتيب متعدد المراحل.في المرحلة الأولى، يتم استرجاع عدد من المرشحين المحتملين ذوي الصلة باستخدام نموذج استرجاع فعال مثل BM25.على الرغم من أن BM25
قد أثبت أداء لائق كمرفاة في المرحلة الأولى، فإنه يميل إلى تفويت الممرات ذات الصلة.في هذا السياق، نقترح كورت، وهو نموذج بسيط في المرحلة الأولى من المرحلة الأولى يرفع تمثيلات سياقية من نماذج اللغة المسبقة مسبقا مثل بيرت لاستكمال وظائف الترتيب القائمة على الأجل مع عدم التسبب في عدم وجود تأخير كبير في وقت الاستعلام.باستخدام DataSet MS Marco، نظهر أن Cort يزيد بشكل كبير من استدعاء المرشح من خلال استكمال BM25 مع المرشحين المفقودين.وبالتالي، نجد أن إعادة الراهنات اللاحقة تحقيق نتائج فائقة مع أقل مرشحين.نوضح كذلك أن استرجاع المرور باستخدام CORT يمكن تحقيقه مع انخفاض الآمون المنخفض بشكل مدهش.
على الرغم من أن Word Adgeddings والمواضيع هي تمثيل تكميلي، إلا أن العديد من الأعمال السابقة استخدمت فقط Arestrained Word Areging في النمذجة الموضوعية (العصبية) لمعالجة Sparsity البيانات في نص قصير أو مجموعة صغيرة من المستندات. يعرض هذا العمل إطارا لل
نمذجة النمذجة العصبية الرواية باستخدام مساحات تضمين متعددة الرؤية: (1) - Arbrained Topic-Embeddings، و (2) - Ardrained Word-Argeddings (غير حساس للسياق من القفازات والسياق الحساسة من نماذج بيرت) بالاشتراك من واحد أو العديد من المصادر لتحسين جودة الموضوع والتعامل بشكل أفضل مع Polysemy. عند القيام بذلك، نقوم أولا بإنشاء حمامات متعصفة من الموضوع المسبق (I.E.، TopicPool) و Adgeddings Word (I.E.، WordPool). بعد ذلك، حددنا واحدا أو أكثر من المجال (المجال) المصدر (SOB) ونقل المعرفة لتوجيه التعلم الهادف في المجال المستهدف Sparse. ضمن النمذجة الموضوعية العصبية، نحدد جودة المواضيع وتمثيلات المستند عبر التعميم (الحيرة)، إمكانية الترجمة الترجمة الترجمة الشفوية (تماسك الموضوع) واسترجاع المعلومات (IR) باستخدام مجموعات مستندات قصيرة ونص وطويلة وصغيرة من الأخبار والمجالات الطبية وبعد تقديم مساحات تضمين متعددة المشتريات متعددة المصدر، وقد أظهرنا نمذجة موضوع عصبي للحالة باستخدام 6 مصدر (الموارد العالية) و 5 أهداف (الموارد المنخفضة).
