Graph Neural Re-Ranking via Corpus Graph

重新排序系统旨在重新排列初始文档列表，以更好地满足与用户提供的查询相关的信息需求。现代重新排序器主要依赖于神经网络模型，这些模型已被证明在表示来自各种模态的样本方面非常有效。然而，这些模型通常孤立地评估查询-文档对，忽略了可能增强重新排序列表质量的基础文档分布。为了解决这个限制，我们提出了基于图神经网络（GNNs）的图神经重新排序（GNRR）管道，使每个查询在推理过程中考虑文档分布。我们的方法通过语料子图建模文档关系，并使用GNNs对其表示进行编码。通过大量实验证明，GNNs有效地捕捉跨文档交互，提高了流行的排名指标的性能。在TREC-DL19中，相对于我们的基线，我们观察到平均精度的相对提高为5.8％。这些发现表明，集成GNN部分提供了显着的优势，特别是在理解文档更广泛的上下文至关重要的情况下。

论文旨在解决重排系统中忽略文档分布的问题，提出了一种基于图神经网络的重排系统，称为Graph Neural Re-Ranking (GNRR)。

GNRR通过建立文档之间的关系图，并使用图神经网络对其进行编码，从而考虑文档分布，提高重排质量。

论文在TREC-DL19数据集上进行了广泛实验，证明了GNRR的有效性。相对于基线模型，平均精度提高了5.8%。值得注意的是，GNRR在理解文档的整体上下文至关重要。

在相关研究方面，近期的研究集中于使用神经网络来提高重排系统的性能。例如，BERT和其他预训练模型已经被广泛应用于这个领域。