Radar ·
Embeddings orientados à relevância para recuperar candidatos
Um paper descreve embeddings de queries e itens para recuperar candidatos com eficiência quando calcular relevância é caro. A abordagem relatada usa itens ou queries de suporte selecionados.
O paper aborda a recuperação eficiente de candidatos quando a função de relevância tem alto custo computacional. Para isso, descreve o uso de embeddings de queries e itens, que permitem buscar candidatos sem calcular diretamente a relevância cara para cada possibilidade.
Segundo o post, a Yandex baseia essas representações na relevância a itens ou queries de suporte selecionados. O tema pode interessar a engenheiros que pesquisam recuperação de candidatos com modelos de relevância caros. Se usar IA para estudar ou aplicar essa abordagem, evite enviar dados pessoais ou informações internas sem necessidade e siga a política de dados da sua organização.
Fonte original: Relevance-Based Embeddings para recuperação de candidatos