摘要

在更大规模数据集上进行预训练，并伴随模型规模持续扩大，如今已成为几乎所有自然语言处理（NLP）任务中提升性能的可靠方法。然而，信息检索（Information Retrieval）领域是一个显著的例外——迄今为止，额外的预训练并未能产生令人信服的成效。本文表明，只要采用合适的预训练方案，这一瓶颈是可以被突破的。我们通过在以下两个数据集上对大规模双编码器（bi-encoder）模型进行预训练，验证了这一观点：1）一个 recently released 的包含6500万条合成生成问题的数据集；2）由 pushshift.io 提供的 Reddit 对话数据集中提取的2亿条帖子-评论配对。我们在一系列信息检索与对话检索基准测试上进行了评估，结果表明，所提出的方法显著优于现有的监督学习基线模型。