Pretrained Transformers for Text Ranking: Bert and Beyond (Synthesis Lectures on Human Language Technologies)

هدف از رتبه‌بندی متن، تولید فهرستی منظم از متون بازیابی شده از یک مجموعه در پاسخ به یک پرس و جو است. اگرچه رایج‌ترین فرمول‌بندی رتبه‌بندی متن جستجو است، نمونه‌هایی از این کار را می‌توان در بسیاری از برنامه‌های پردازش زبان طبیعی (NLP) یافت. این کتاب یک نمای کلی از رتبه‌بندی متن با معماری‌های شبکه عصبی معروف به ترانسفورماتور ارائه می‌دهد که BERT (نمایش رمزگذار دوطرفه از ترانسفورماتور) شناخته‌شده‌ترین نمونه آن است. ترکیبی از ترانسفورماتورها و پیش‌آموزش تحت نظارت خود مسئول تغییر پارادایم در NLP، بازیابی اطلاعات (IR) و فراتر از آن بوده است.

این کتاب ترکیبی از کارهای موجود را به‌عنوان یک نقطه ورودی واحد ارائه می‌کند. پزشکانی که مایلند درک بهتری از نحوه اعمال ترانسفورماتورها در مسائل رتبه بندی متن کسب کنند و محققانی که مایل به پیگیری کار در این زمینه هستند. این طیف گسترده ای از تکنیک های مدرن را پوشش می دهد که به دو دسته سطح بالا گروه بندی می شوند: مدل های ترانسفورماتور که رتبه بندی مجدد را در معماری های چند مرحله ای انجام می دهند و تکنیک های بازیابی متراکم که به طور مستقیم رتبه بندی را انجام می دهند. دو موضوع کتاب را فرا گرفته است: تکنیک‌هایی برای مدیریت اسناد طولانی، فراتر از پردازش جمله به جمله معمولی در NLP، و تکنیک‌هایی برای پرداختن به موازنه بین اثربخشی (به عنوان مثال، کیفیت نتیجه) و کارایی (مانند تأخیر پرس و جو، مدل و اندازه شاخص) . اگرچه معماری‌های ترانسفورماتور و تکنیک‌های پیش‌آموزشی نوآوری‌های اخیر هستند، بسیاری از جنبه‌های نحوه استفاده از آنها در رتبه‌بندی متن به خوبی درک شده‌اند و تکنیک‌های بالغ را نشان می‌دهند. با این حال، بسیاری از سؤالات تحقیقاتی باز باقی می‌مانند، و بنابراین علاوه بر طرح‌ریزی مبانی ترانسفورماتورهای از پیش آموزش‌دیده برای رتبه‌بندی متن، این کتاب همچنین تلاش می‌کند پیش‌بینی کند که این رشته به کجا می‌رود.

The goal of text ranking is to generate an ordered list of texts retrieved from a corpus in response to a query. Although the most common formulation of text ranking is search, instances of the task can also be found in many natural language processing (NLP) applications. This book provides an overview of text ranking with neural network architectures known as transformers, of which BERT (Bidirectional Encoder Representations from Transformers) is the best-known example. The combination of transformers and self-supervised pretraining has been responsible for a paradigm shift in NLP, information retrieval (IR), and beyond.

This book provides a synthesis of existing work as a single point of entry for practitioners who wish to gain a better understanding of how to apply transformers to text ranking problems and researchers who wish to pursue work in this area. It covers a wide range of modern techniques, grouped into two high-level categories: transformer models that perform reranking in multi-stage architectures and dense retrieval techniques that perform ranking directly. Two themes pervade the book: techniques for handling long documents, beyond typical sentence-by-sentence processing in NLP, and techniques for addressing the tradeoff between effectiveness (i.e., result quality) and efficiency (e.g., query latency, model and index size). Although transformer architectures and pretraining techniques are recent innovations, many aspects of how they are applied to text ranking are relatively well understood and represent mature techniques. However, there remain many open research questions, and thus in addition to laying out the foundations of pretrained transformers for text ranking, this book also attempts to prognosticate where the field is heading.