开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

检索预测结果为负

是指在信息检索系统中，根据用户的查询条件和搜索算法，系统返回的搜索结果中没有符合用户需求的相关内容。这种情况可能是由于查询条件不准确、搜索算法不完善或者相关内容在系统中不存在等原因导致的。

在云计算领域，可以通过以下方式来改善检索预测结果为负的情况：

优化查询条件：用户可以尝试修改查询关键词、添加更多的限定条件或者使用高级搜索语法来提高查询的准确性。同时，系统也可以通过自然语言处理技术对用户的查询进行解析和理解，从而更好地匹配用户的意图。
改进搜索算法：云计算平台可以不断优化搜索算法，提高搜索结果的相关性和准确性。例如，可以引入机器学习和深度学习技术，通过分析用户的历史查询行为和反馈信息，不断优化搜索算法，提供更符合用户需求的搜索结果。
数据库优化：云计算平台可以通过优化数据库的索引、分区、缓存等技术手段，提高数据的检索效率和响应速度，从而减少检索预测结果为负的情况。
数据质量管理：确保云计算平台中的数据质量是非常重要的。通过数据清洗、去重、标准化等手段，提高数据的准确性和完整性，从而提高检索结果的质量。
用户反馈机制：云计算平台可以建立用户反馈机制，鼓励用户对搜索结果进行评价和反馈。通过收集用户的反馈信息，可以及时发现和解决检索预测结果为负的问题，不断改进系统的性能和用户体验。

腾讯云相关产品和产品介绍链接地址：

腾讯云搜索引擎：提供高性能、可扩展的全文搜索服务，支持实时索引和检索，适用于各种应用场景。详情请参考：https://cloud.tencent.com/product/tse
腾讯云数据库：提供多种数据库产品，包括关系型数据库、NoSQL数据库和数据仓库等，满足不同应用场景的需求。详情请参考：https://cloud.tencent.com/product/cdb
腾讯云人工智能：提供丰富的人工智能服务，包括图像识别、语音识别、自然语言处理等，帮助开发者构建智能化应用。详情请参考：https://cloud.tencent.com/product/ai
腾讯云物联网：提供全面的物联网解决方案，包括设备接入、数据管理、应用开发等，帮助企业快速构建物联网应用。详情请参考：https://cloud.tencent.com/product/iot
腾讯云移动开发：提供移动应用开发的一站式解决方案，包括移动后端服务、移动推送、移动测试等，帮助开发者快速构建高质量的移动应用。详情请参考：https://cloud.tencent.com/product/mad

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

如何区分精确率(precision)、准确率(accuracy)和召回率（recall）

理解精确率(precision)、准确率(accuracy)和召回率（recall）

05

理解精确率(precision)、准确率(accuracy)和召回率（recall）

理解精确率(precision)、准确率(accuracy)和召回率（recall）

04

分类指标准确率(Precision)和正确率(Accuracy)的区别「建议收藏」

http://www.cnblogs.com/fengfenggirl/p/classification_evaluate.html

01

机器学习算法常用指标总结

来自：Poll的笔记链接：http://www.cnblogs.com/maybe2030/p/5375175.html（点击尾部阅读原文前往）阅读目录 1、TPR、FPR&TNR 2、精确率Precision、召回率Recall和F1值 3、综合评价指标F-measure 4、ROC曲线和AUC 考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被预测成正类，即为真正类（True positive）,如果实

06

『干货』机器学习算法常用性能指标

机器学习算法常用性能指标总结考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被预测成正类，即为真正类（True positive）,如果实例是负类被预测成正类，称之为假正类（False positive）。相应地，如果实例是负类被预测成负类，称之为真负类（True negative）,正类被预测成负类则为假负类（false negative）。　　- TP：正确肯定的数目；　　- FN：漏报，没有正确找到的

04

【机器学习】算法性能评估常用指标总结

考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被预测成正类，即为真正类（True positive）,如果实例是负类被预测成正类，称之为假正类（False positive）。相应地，如果实例是负类被预测成负类，称之为真负类（True negative）,正类被预测成负类则为假负类（false negative）。

01

机器学习算法常用指标总结

考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被预测成正类，即为真正类（True positive）,如果实例是负类被预测成正类，称之为假正类（False positive）。相应地，如果实例是负类被预测成负类，称之为真负类（True negative）,正类被预测成负类则为假负类（false negative）。

02

一文弄懂什么是Precision，Recall，F1score，以及accuracy[通俗易懂]

近期在做实验的时候一直出现Precision，Recall，F1score，以及accuracy这几个概念，为了防止混淆，在这里写下学习笔记，方便以后复习。

01

精确率、召回率、TPR、ROC...... | 机器学习算法常用指标总结

阅读目录 1. TPR、FPR&TNR 2. 精确率Precision、召回率Recall和F1值 3. 综合评价指标F-measure 4. ROC曲线和AUC 5. 参考内容考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被预测成正类，即为真正类（True positive）,如果实例是负类被预测成正类，称之为假正类（False positive）。相应地，如果实例是负类被预测成负类，称之为真负类（True

机器学习算法常用指标总结

机器学习性能评价标准是模型优化的前提，在设计机器学习算法过程中，不同的问题需要用到不同的评价标准，本文对机器学习算法常用指标进行了总结。

03

机器学习 - 模型离线评估

模型上线之前可以利用测试数据集进行离线评估，主要指标可以根据具体的问题类型可以有以下的方案。

01

大数据技术之_19_Spark学习_08_Spark 机器学习_01_机器学习概述 + 机器学习的相关概念 + 算法常用指标

一组数据的集合被称作数据集，用于模型训练的数据集叫训练集，用于测试的数据集叫测试集。一个数据集包含多条数据，一条数据包含多个属性。

02

在不平衡数据上使用AUPRC替代ROC-AUC

来源：DeepHub IMBA本文约2000字，建议阅读7分钟尽管 ROC-AUC 包含了许多有用的评估信息，但它并不是一个万能的衡量标准。 ROC曲线和曲线下面积AUC被广泛用于评估二元分类器的性能。但是有时，基于精确召回曲线下面积 (AUPRC) 的测量来评估不平衡数据的分类却更为合适。本文将详细比较这两种测量方法，并说明在AUPRC数据不平衡的情况下衡量性能时的优势。预备知识——计算曲线我假设您熟悉准确率和召回率以及混淆矩阵的元素（TP、FN、FP、TN）这些基本知识。如果你不熟悉可以搜索我们以

01

在不平衡数据上使用AUPRC替代ROC-AUC

ROC曲线和曲线下面积AUC被广泛用于评估二元分类器的性能。但是有时，基于精确召回曲线下面积 (AUPRC) 的测量来评估不平衡数据的分类却更为合适。

02

Precision, Recall, F-score, ROC, AUC

正样本就是使系统得出正确结论的例子,负样本相反。比如你要从一堆猫狗图片中检测出狗的图片，那么狗就是正样本，猫就是负样本；反过来你若是想检测出猫的图片，那么猫就是正样本，狗就是负样本。

01

深度学习的一些概念分享

深度学习有哪些神经网络一般来说，训练深度学习网络的方式主要有四种：监督学习（supervised learning）无监督学习（unsupervised learning）半监督学习（semi-supervised learning）强化学习（reinforcement learning）监督学习是指用已经标记好的数据，做训练模型来预测新数据的类别。无监督学习是指不需要提前对数据进行标记，直接对它们进行聚类。半监督学习是指同时用了有监督学习的方法和无监督学习的方法。准确来说是同时用来

02

全面解读！QQ浏览器搜索中的智能问答技术

大家好，这里是NewBeeNLP。智能问答是人工智能领域中一个比较受关注的方向，目前广泛应用于各种垂直或综合的搜索引擎、智能客服、智能助手以及智能手机、车载音箱等。

02

QQ浏览器搜索中的智能问答技术

每天给你送来NLP技术干货！ ---- ---- 分享嘉宾：姚婷腾讯专家研究员编辑整理：王惠灵合肥工业大学出品平台：DataFunTalk 导读：智能问答是人工智能领域中一个比较受关注的方向，目前广泛应用于各种垂直或综合的搜索引擎、智能客服、智能助手以及智能手机、车载音箱等。本次分享的主题是QQ浏览器搜索中的智能问答技术，主要分为以下几个部分： 1.背景介绍智能问答在搜索中的应用搜索中的Top1问答 2.关键技术搜索问答的技术框架 KBQA：基于知识图谱的问答 DeepQA：基于搜索+机器

01

NLP之文本表示

我们在做模型训练的时候，不是直接把文本或者词语传给计算机让其进行计算，而是需要将单词、句子、文本转换成向量或者矩阵进行计算，而如何将文本转换成向量就是本文需要介绍的内容。

02

他山之石 | 微信搜一搜中的智能问答技术

搜索引擎是人们获取信息的重要途径，其中包含了很多问答型的query。但传统的搜索只能返回TopK的网页，需要用户自己从网页中分析甄别答案，体验较差。原因是传统搜索引擎只是对query和doc做“匹配”，并不是真正细粒度地理解query。智能问答正好可以弥补这个局限，它的优势在于能够更好地分析query，直接返回精准、可靠的答案。

02

WWW'23|递进式知识蒸馏提升检索模型效果

今天介绍的这篇文章是WWW 2023中微软发表的一篇工作，应用场景是检索，主要提出了一种新的蒸馏学习方法，用来实现将复杂的student模型的知识，蒸馏到简单的双塔dense检索模型上。核心提出的优化点是模型层面的aggressive蒸馏，以及数据层面的aggressive蒸馏。这里的aggressive，指的是teacher模型的复杂度逐渐提升，或者样本的预测难度逐渐增加。下面为大家详细介绍下这篇工作。

02

深度学习Loss合集：一文详解Contrastive Loss/Ranking Loss/Triplet Loss等区别与联系

Ranking Loss被用于很多领域和神经网络任务中（如孪生网络Siamese Nets 或 Triplet Nets），这也是它为什么拥有 Contrastive Loss、Margin Loss、Hinge Loss 或 Triplet Loss 等这么多名字的原因。

01

[白话解析] 通过实例来梳理概念：准确率 (Accuracy)、精准率(Precision)、召回率(Recall)和F值(F-Measure)

二分类评估是对二分类算法的预测结果进行效果评估。本文将构造出一个水泊梁山的具体实例带领大家梳理相关概念。

01

三星新出检测神器 | 通过聊天+看图的形式轻松完成目标检测，性能 SOTA

RAL构成两个损失，反映与负词汇的语义相似性。此外，RAF使用大型语言模型（LLM）中的文字化概念增强视觉特征。作者的实验证明了RALF在COCO和LVIS基准数据集上的有效性。作者在COCO数据集的新颖类别上取得了高达3.4 box

01

模型评估之混淆矩阵

在前面的文章中我们讲到了回归模型和分类模型的评估指标，区分了准确率和精确率的区别，并且比较了精确率和召回率内在的联系。本篇文章我们再来学习另外一个评估方法，即混淆矩阵（confusion_matrix）。

01

OCR 【技术白皮书】第一章：OCR智能文字识别新发展——深度学习的文本信息抽取

信息抽取（Information Extraction）是把原始数据中包含的信息进行结构化处理，变成表格一样的组织形式。输入信息抽取系统的是原始数据，输出的是固定格式的信息点，即从原始数据当中抽取有用的信息。信息抽取的主要任务是将各种各样的信息点从原始数据中抽取出来。然后以统一的形式集成在一起，方便后序的检索和比较。由于能从自然语言中抽取出信息框架和用户感兴趣的事实信息，无论是在信息检索、问答系统还是在情感分析、文本挖掘中，信息抽取都有广泛应用。随着深度学习在自然语言处理领域的很多方向取得了巨大成功，循环神经网络(RNN)和卷积神经网络(CNN)也被用于信息抽取研究领域，基于深度学习的信息抽取技术也应运而生。

04

端到端问答新突破：百度提出RocketQA，登顶MSMARCO榜首

机器之心发布机器之心编辑部开放域问答（Open-domain QA）一直是自然语言处理领域的重要研究课题。百度从面向端到端问答的检索模型出发，提出了RocketQA训练方法，大幅提升了对偶式检索模型的效果，为实现端到端问答迈出了重要的一步。RocketQA已逐步应用在百度搜索、广告等核心业务中，并将在更多场景中发挥作用。近日，百度提出了面向端到端问答的检索模型训练方法 RocketQA，该方法针对模型训练中存在的问题，通过跨批次负采样（cross-batch negatives）、去噪的强负例采样（d

01

大厂技术实现 | 图像检索及其在淘宝的应用 @计算机视觉系列

图像检索任务指的是，给定查询图像，从图像数据库中找到包含相同或相似实例的图像。典型应用之一就是电商商品检索，如淘宝拍立淘，只需要用户随手拍照即可精准检索，提高了电商购物的体验。本篇我们来看看淘宝拍立淘背后的实现方案和依托的计算机视觉技术。

02

【问答对话】kbqa？开放域问答怎么有知识地生成

问答是对话的重要任务之一，封闭的垂直领域可以构建问题库，通过检索召回、排序的方式回答，然而到了开放域，怎么既利用外部知识，又能够应对多样的问题，前有kbqa，利用结构化的知识库和语义链接，然而这是最优的么？而最近流行的大模型，如GPT-3也在开放域问答上有一定的能力，那么如何在大的语言模型基础上融合知识呢，其实主要面临两个问题，1）检索什么知识，怎么检索。2）怎么讲检索知识加入。

浅谈Embedding技术在推荐系统中的应用(1)

接着上一篇[推荐之矩阵分解]，继续说Embedding在推荐领域的应用方法，矩阵分解为描述User/Item提供了一种向量化表达的方案，而本篇将探究如何从word2vec的角度获取Item的向量化表达。

02

偷窥了阿里的图像搜索架构，干货分享给你！

👆关注“博文视点Broadview”，获取文末赠书进入21世纪以来，伴随着互联网的高速发展，通过图像和视频来进行需求表达越来越成为大家的习惯。图像搜索与识别算法使得图像视频内容得以结构化和数字化，以便可以在各种检索和分析引擎中被最大限度地挖掘和利用。阿里巴巴研发出的移动端以图搜图应用——拍立淘，使用户可以通过拍摄照片，在手机淘宝上迅速找到同款及相似商品，是图像搜索与识别领域极具代表性的落地产品。因为拍立淘，我们可以在不知道商品品牌、名字等信息的情况下搜索到想要的同类品。那么，拍立淘的架构设计是

02

FM: 推荐算法中的瑞士军刀

自从我上次在知乎回答了问题《机器学习中较为简单的算法有哪些？》，很多同学私信我询问我FM算法在推荐系统中的应用细节，索性今天就专门写一篇文章，仔细聊一聊FM这把“推荐算法中的瑞士军刀”。正文开始之前，我说几句题外话。

02

检索式对话系统在美团客服场景的探索与实践

在传统的客服、IM等场景中，坐席需要花费大量时间回答用户的各种咨询，通常面临答案查询时间长、问题重复、时效要求高等挑战。因而，使用技术手段辅助坐席快速、准确、高效地回答用户的各类问题非常有必要。

04

总结！语义信息检索中的预训练模型（下）

上一篇中，我们介绍了预训练模型在建立倒排索引中的应用：总结！语义信息检索中的预训练模型

03

用检索的思路做时间序列预测是一种怎样的体验

今天为大家介绍一篇CIKM 2022中比较有意思的时间序列预测论文。这篇论文的独特之处在于，在其他论文都在卷深度学习时序预测模型结构时，这篇文章从检索引入相关数据的角度解决时序预测问题。

01

干货 | 挖掘旅游热点吸引年轻人，携程自动热点投放系统的背后玩法

携程AI内容化团队，负责携程内容产品的NLP，NLG支持，产品包括热点自动投放平台，点评分析服务，产品特色标签和推荐理由抽取，命名实体识别与链接，机器翻译等。

03

CIKM'22 | EC4SRec：可解释引导的对比学习用于序列推荐

对比学习被广泛的应用于序列推荐，以解决交互数据稀疏的问题，但现有的基于对比学习的方法无法确保通过对给定锚用户序列的一些随机增强（或序列采样）获得的正（或负）序列在语义上保持相似（或不同）。当正负序列分别为假阳性和假阴性时，可能会导致推荐性能下降。本文通过提出解释引导增强（EGA）和解释引导对比学习序列推荐（EC4SRec）模型框架来解决上述问题。EGA 的关键思想是利用解释方法来确定商品在用户序列中的重要性，并相应地推导出正负序列。然后，EC4SRec 在 EGA 操作生成的正负序列上结合自监督和监督对比学习，以改进序列表征学习以获得更准确的推荐结果。

04

机器学习模型评估指标

实际应用中，评估指标依具体问题灵活使用，在选择模型和调整参数过程中选择正确的指标十分重要。模型评估目标应以业务目标为导向，选择最合适的评估指标。

CIKM2019 | 你的工作是怎么被推荐的？BOSS直聘联合北大提出一种新型人岗推荐模型

本文为BOSS直聘联合北京大学提出的联合双边意愿与匹配的人岗推荐，可以让我们一窥 BOSS 直聘在匹配求职者与岗位背后的算法机理。目前，该论文已被信息检索领域国际会议CIKM2019接收。

02

用不匹配的图文对也能进行多模态预训练？百度提出统一模态的预训练框架：UNIMO（ACL2021）

本文分享 ACL 2021 论文『UNIMO: Towards Uniﬁed-Modal Understanding and Generation via Cross-Modal Contrastive Learning』，由百度提出统一模态的预训练框架《UNIMO》、用不匹配的图文对也能进行多模态预训练？

03

【CTR】Youtube：双塔召回模型

本文是 Google 在 RecSys 2019 上的最新论文，作者采用了目前主流的双塔模型，并基于此设计了一个使用双塔神经网络的建模框架，其中一个塔为 item 塔，编码了 item 大量的内容特征。

02

蚂蚁：多模态方向的技术探索

视频多模态检索在蚂蚁内部有着广泛的应用。视频多模态检索具体包括两个方向，一个是视频-文本的语义检索，另外一个是视频-视频的同源检索。

01

ECCV2020 Spotlight | 图像定位上的细粒化区域相似性自监督

本文介绍一篇我们发表于ECCV 2020的论文《Self-supervising Fine-grained Region Similarities for Large-scale Image Localization》，很荣幸该论文被收录为spotlight presentation。

03

千言实体链指赛事登顶，冠军团队经验独家分享

大数据时代，信息爆炸性增长，直接导致了信息过载。那么在无用的信息之中找到有用的信息，就少不了智能的信息理技术帮忙。比如，作为人工智能领域处理大规模文本数据的核心技术的自然语言处理（NLP），它在信息检索、智能问答、智能推荐等众多领域扮演着重要的角色，实体链指（Entity Linking，EL）则是其中最热门的研究课题之一。本次百度举办的“千言数据集：面向中文短文本的实体链指任务”，数据来源于真实的搜索 query、微博、对话内容、文章/视频/图片的标题等，旨在将实体链指技术实践于更多的现实场景。

02

最新推荐系统论文速递

检索到了两篇关于推荐系统的论文，一篇是关于在知识图上改进负采样策略的，另一篇是在图上进行对抗学习的综述。

02

微软新作，ImageBERT虽好，千万级数据集才是亮点

继 2018 年谷歌的 BERT 模型获得巨大成功之后，在纯文本之外的任务上也有越来越多的研究人员借鉴了 BERT 的思维，开发出各种语音、视觉、视频融合的 BERT 模型。

01

分类模型的评价方法

机器学习中对于分类模型常用混淆矩阵来进行效果评价，混淆矩阵中存在多个评价指标，这些评价指标可以从不同角度来评价分类结果的优劣，以下内容通过简单的理论概述和案例展示来详细解释分类模型中混淆矩阵的评价指标及其用途。

02

正则表达式基本语法

\将下一字符标记为特殊字符、文本、反向引用或八进制转义符。例如，“n”匹配字符“n”。“\n”匹配换行符。序列“\\”匹配“\”，“\(”匹配“(”。^匹配输入字符串开始的位置。如果设置了 RegEx

07

解读：【小爱同学】智能问答系统

一对相似问Q1、Q2。 • 正样本：找到Q1’，与Q1相似度 > 0.7 找到Q2’，与Q2相似度 > 0.7 增强结果，得到正样本：Q1’、Q2’

02

基于深度学习的行人重识别研究综述

AI 科技评论按：本文为浙江大学罗浩为 AI 科技评论撰写的独家稿件，得到了作者本人指点和审核，在此表示感谢。前言：行人重识别（Person Re-identification）也称行人再识别，本文简称为ReID，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。在监控视频中，由于相机分辨率和拍摄角度的缘故，通常无法得到质量非常高的人脸图片。当人脸识别失效的情况下，ReID就成为了一个非常重要的替代品技

08

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭