RYGL, Jan, Jan POMIKÁLEK, Radim ŘEHŮŘEK, Michal RŮŽIČKA, Vít NOVOTNÝ a Petr SOJKA. Semantic Vector Encoding and Similarity Search Using Fulltext Search Engines. In Proceedings of the 2nd Workshop on Representation Learning for NLP, RepL4NLP 2017 c/o ACL 2017. Vancouver, Canada: Association for Computational Linguistics, ACL, 2017. s. 81-90, 10 s. ISBN 978-1-945626-62-3. doi:10.18653/v1/W17-2611.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Semantic Vector Encoding and Similarity Search Using Fulltext Search Engines
Autoři RYGL, Jan (203 Česká republika), Jan POMIKÁLEK (203 Česká republika), Radim ŘEHŮŘEK (203 Česká republika), Michal RŮŽIČKA (203 Česká republika, domácí), Vít NOVOTNÝ (203 Česká republika, domácí) a Petr SOJKA (203 Česká republika, garant, domácí).
Vydání Vancouver, Canada, Proceedings of the 2nd Workshop on Representation Learning for NLP, RepL4NLP 2017 c/o ACL 2017, od s. 81-90, 10 s. 2017.
Nakladatel Association for Computational Linguistics, ACL
Další údaje
Originální jazyk angličtina
Typ výsledku Stať ve sborníku
Obor Computer sciences, information science, bioinformatics
Stát vydavatele Česká republika
Utajení není předmětem státního či obchodního tajemství
Forma vydání elektronická verze "online"
WWW Preprint Article
Kód RIV RIV/00216224:14330/17:00094366
Organizační jednotka Fakulta informatiky
ISBN 978-1-945626-62-3
Doi http://dx.doi.org/10.18653/v1/W17-2611
Klíčová slova česky fulltextové vyhledávání; podobnostní hledání; vektorové prostory; vektorové reprezentace
Klíčová slova anglicky full-text search; similarity search; vector space; embeddings
Štítky acl, gensim, repl4nlp, scaletext
Příznaky Mezinárodní význam, Recenzováno
Změnil Změnil: doc. RNDr. Petr Sojka, Ph.D., učo 2378. Změněno: 19. 9. 2019 14:14.
Anotace
Vector representations and vector space modeling (VSM) play a central role in modern machine learning. We propose a novel approach to ‘vector similarity searching’ over dense semantic representations of words and documents that can be deployed on top of traditional inverted-index-based fulltext engines, taking advantage of their robustness, stability, scalability and ubiquity. We show that this approach allows the indexing and querying of dense vectors in text domains. This opens up exciting avenues for major efficiency gains, along with simpler deployment, scaling and monitoring. The end result is a fast and scalable vector database with a tunable trade-off between vector search performance and quality, backed by a standard fulltext engine such as Elasticsearch. We empirically demonstrate its querying performance and quality by applying this solution to the task of semantic searching over a dense vector representation of the entire English Wikipedia.
Návaznosti
MUNI/A/0997/2016, interní kód MUNázev: Aplikovaný výzkum na FI: vyhledávacích systémy, bezpečnost, vizualizace dat a virtuální realita.
Investor: Masarykova univerzita, Grantová agentura MU, Kategorie A - Specifický výzkum - Studentské výzkumné projekty
TD03000295, projekt VaVNázev: Inteligentní software pro sémantické hledání dokumentů (Akronym: ISSHD)
Investor: Technologická agentura ČR, OMEGA
VytisknoutZobrazeno: 15. 10. 2019 18:39