摘要

深度预训练语言模型（如BERT）在大规模文本检索任务中表现出色。现有的具有最先进性能的文本检索系统通常采用先检索后重排序的架构，这是由于预训练语言模型的高计算成本以及庞大的语料库规模所致。在这种多阶段架构下，以往的研究主要集中在优化框架中的单个阶段，从而提升整体检索性能。然而，如何直接结合多阶段特征进行优化尚未得到充分研究。本文设计了一种混合列表感知变压器重排序模块（Hybrid List Aware Transformer Reranking, HLATR），以整合检索和重排序两个阶段的特征。HLATR 轻量级且易于与现有文本检索系统并行化，使得重排序过程可以在单一而高效的处理步骤中完成。在两个大规模文本检索数据集上的实证实验表明，HLATR 可以有效提升现有多阶段文本检索方法的排名性能。