使用密度矩阵转换为多查询检索任务建模

量子概率框架最近已应用于信息检索(IR)。 代表性的是量子语言模型(QLM),它是为通过单个查询进行即席检索而开发的,并且相对于传统语言模型已取得了显着改进。 在QLM中,将定义在量子概率空间上的密度矩阵表示为用户针对特定查询的搜索意图。 但是,QLM无法捕获查询历史记录中用户信息需求的动态。 此限制限制了它在动态搜索任务(例如会话搜索)上的进一步应用。 在本文中,我们提出了一种基于会话的量子语言模型(SQLM),该模型可处理多查询会话搜索任务。 在SQLM中,提出了一种密度矩阵转换模型,通过结合从正反馈(单击的文档)和负反馈(跳过的文档)中提取的特征,来响应用户与搜索引擎的交互来建模用户信息需求的演变。 在TREC 2013和2014会话跟踪数据上进行的大量实验证明,与传统的QLM相比,SQLM的有效性。