因子化假设搜索提升从间接证据中进行分类检索的效果
研究人员提出因子化假设搜索（FHS），用于改进大型分类体系中的检索，尤其适用于输入内容仅间接表达目标概念的情况。例如，表格单元格的含义可能取决于其行、列、数据类型和上下文。FHS围绕多个命名语义维度维护部分解释，并结合结构化查询生成、多假设检索以及维度级候选验证。在金融分类体系标注和CodiEsp临床编码任务中，FHS在不依赖预知答案的方法中取得了最佳的Recall@1、平均倒数排名（MRR）和最终准确率。将因子化假设路径替换为自由文本集成后，头部排名性能下降最明显；顺序式细化也没有超过FHS并行首轮处理的效果。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。