Scattertext: a Browser-Based Tool for Visualizing how Corpora Differ
CDK Global
Scattertext是一个开源工具，用于以独立于语言的方式可视化文档类别之间的语言变化。该工具提供了一个散点图，其中每个轴对应于一个术语在某类文档中出现的排名频率。通过打破平局的策略，该工具能够显示数千个可见的术语表示点，并找到空间来清晰地标记其中的数百个。Scattertext还提供了一个基于查询的可视化，显示具有相似嵌入的术语在文档类别之间的使用如何不同，以及将词袋特征的重要性得分与单变量度量进行比较的可视化。
2017-04-20 cs.CL cs.IR
A Chinese Dataset with Negative Full Forms for General Abbreviation Prediction
Peking University（北京大学）
缩略语是语言中的一种普遍现象，尤其是汉语。在大多数情况下，如果一个表达可以缩写，那么它的缩写比它的完全扩展形式更常用，因为人们倾向于以最简洁的方式传达信息。对于各种语言处理任务，缩写是提高性能的障碍，因为缩写的文本形式不表达有用的信息，除非它扩展到完整的形式。缩略语预测意味着将完全展开的形式与它们的缩略语相关联。然而，由于缩略语语料库的不足，目前的研究限制了这一任务，特别是考虑到一般的缩略语预测还应该包括那些没有有效缩略语的完整形式表达，即否定完整形式（NFF）。用于一般缩略语预测的包含否定形式的语料很少。为了促进这一领域的研究，我们建立了一个通用汉语缩略语预测数据集，该数据集需要一些预处理步骤，并在所建立的数据集上评估了几种不同的模型。该数据集可在https://github.com/lancopku/Chinese-abbreviation-dataset上获得
2017-12-18 cs.CL
Query-Focused Event Summarization: A Dataset and Benchmark
School of Electronic Information and Communications, Huazhong University of Science and Technology（华中科技大学电子信息与通信学院）
针对现有查询聚焦摘要（QFS）数据集缺乏面向事件的摘要及方法在大规模语料库表现不佳的问题，提出查询聚焦事件摘要（QFES）任务，构建QFESum数据集，引入含RAT和SHC的两阶段框架，实验证明该框架有效。
2026-07-14 cs.CL
The Leaf Clinical Trials Corpus: a new resource for query generation from clinical trial eligibility criteria
University of Washington（华盛顿大学）；Northeastern University（东北大学）；George Mason University（乔治梅森大学）
根据医疗条件、程序和药物使用等资格标准确定患者队列对于临床试验的招募至关重要。这些标准通常是最自然的描述在自由文本，使用语言熟悉的临床医生和研究人员。为了大规模地识别潜在的参与者，这些标准必须首先转化为对临床数据库的查询，这可能是劳动密集型的并且容易出错。自然语言处理（NLP）方法提供了一种将这种转换自动地转换成数据库查询的潜在手段。然而，它们必须首先使用语料库进行培训和评估，这些语料库足够详细地捕获临床试验标准。在本文中，我们介绍了叶临床试验（LCT）语料库，超过1,000个临床试验资格标准描述的人类注释语料库，使用高度粒度结构化的标签捕捉一系列生物医学现象。我们提供了我们的模式，注释过程，语料库质量和统计数据的细节。此外，我们目前的基线信息抽取结果在此语料库作为基准，为今后的工作。
2022-07-27 cs.CL
A Methodology for Creating Question Answering Corpora Using Inverse Data Annotation
Zurich University of Applied Sciences (ZHAW)（苏黎世应用科学大学（ZHAW））；National Distance Education University (UNED)（国立远程教育大学（UNED））；University of the Basque Country (UPV/EHU)（巴斯克大学（UPV/EHU））
在本文中，我们介绍了一种新的方法来有效地构建一个语料库的问答结构化数据。为此，我们引入了一个中间表示，它是基于逻辑查询计划在一个数据库中称为操作树（OT）。这种表示允许我们反转注释过程，而不会失去我们生成的查询类型的灵活性。此外，它允许查询标记与OT操作的细粒度对齐。在我们的方法中，我们从一个上下文无关文法随机生成OT。之后，注释者必须编写由OT表示的适当的自然语言问题。最后，注释器将标记分配给OT操作。我们应用该方法来创建一个新的语料库OTTA（操作树和令牌分配），一个大型语义解析语料库评估自然语言接口数据库。我们将OTTA与Spider和LC-WMD 2.0进行了比较，结果表明，我们的方法在保持查询复杂性的同时，将注释速度提高了两倍多。最后，我们训练一个国家的最先进的语义解析模型对我们的数据，并表明我们的语料库是一个具有挑战性的数据集，可以利用令牌对齐，以提高性能显着。
2020-06-25 cs.AI cs.CL cs.LG
Unearthing Large Scale Domain-Specific Knowledge from Public Corpora
School of Computer Science, Fudan University（复旦大学计算机科学学院）；Shanghai AI Laboratory（上海人工智能实验室）
本文提出Retrieve-from-CC方法，利用大型模型引导从Common Crawl中检索领域特定知识及推理数据，构建Retrieve-Pile数据集，显著提升数学和知识推理能力。
2025-05-24 cs.CL
Curating corpora with classifiers: A case study of clean energy sentiment online
University of Vermont（佛蒙特大学）；MassMutual Center of Excellence for Complex Systems and Data Science（MassMutual复杂系统与数据科学卓越中心）
针对传统调查成本高、反馈滞后的问题，本文提出用微调Transformer模型筛选无关推文的语料库构建方法，F1达0.95，为社交媒体公众意见分析提供低成本、高性能的预处理方案。
2025-02-12 cs.CL cs.CY
Tackling Query-Focused Summarization as A Knowledge-Intensive Task: A Pilot Study
University of Amsterdam（阿姆斯特丹大学）；Amazon Alexa AI（亚马逊Alexa人工智能）；University of Edinburgh（爱丁堡大学）
本研究将查询聚焦摘要（QFS）作为知识密集型任务处理，无需预先提供相关文档，构建了新数据集KI-QFS，实验表明现有模型在该设置下表现显著下降，揭示了知识密集型QFS的挑战与改进空间。
2023-07-31 cs.CL cs.IR
Still Fresh? Evaluating Temporal Drift in Retrieval Benchmarks
University of Waterloo（滑铁卢大学）
本研究评估了时间变化对检索基准FreshStack的影响，发现语料库更新后大部分查询仍能得到支持，模型排名变化较小，表明基准在时间演变下仍具可靠性。
2026-03-04 cs.AI cs.CL cs.IR
No More Free Lunch: Corpus Task Complexity Matters as Corpora Grow
UC Berkeley（加州大学伯克利分校）；Allen Institute for AI（艾伦人工智能研究所）；Carnegie Mellon University（卡内基梅隆大学）
本文提出语料库任务复杂度（CTC）概念，区分难度随语料库线性或二次增长的任务，引入10个高CTC任务，发现其挑战长上下文模型并逆转低CTC结论，发布CTC-Bench套件。
2026-09-25 cs.AI cs.CL
SAUCE: Truncated Sparse Document Signature Bit-Vectors for Fast Web-Scale Corpus Expansion
Virginia Tech（弗吉尼亚理工大学）；IBM Research Almaden（IBM阿尔马登研究院）；eBay Inc（eBay公司）
文本表示的最新进展表明，对大量文本的训练对于自然语言理解至关重要。然而，在没有预定义的主题感兴趣的概念的情况下训练的模型在转移到专门领域时通常需要仔细的微调。当足够量的域内文本可能不可用时，从大规模web数据扩展相关文档的种子语料库带来了几个挑战。首先，语料库扩展需要对集合中的每个文档进行评分和排名，随着网络语料库大小的增长，这种操作很快就会变得计算昂贵。依赖于密集向量空间和成对相似性增加了计算开销。其次，随着领域概念变得更加细致入微，捕捉特定领域稀有术语的长尾变得不容易，特别是在有限的种子语料库场景下。在本文中，我们考虑的问题，快速近似语料库扩展给定一个小的种子语料库与一些相关的文件作为查询，捕捉长尾的特定领域的一组概念术语的目标。为了有效地收集大规模特定领域的语料库有限的相关反馈，我们提出了一种新的截断稀疏文档位向量表示，称为签名辅助无监督语料库扩展（SAUCE）。实验结果表明，SAUCE在保证域内词汇覆盖率的同时，降低了计算负担。
2021-08-26 cs.CL cs.IR
Fast, Small and Exact: Infinite-order Language Modelling with Compressed Suffix Trees
Faculty of Information Technology, Monash University（莫纳什大学信息技术学院）；Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统系）
高效的存储和查询方法是将高阶n-gram语言模型扩展到大型语料库的关键。我们提出了一种基于压缩后缀树的语言模型，这种表示非常紧凑，可以很容易地保存在内存中，同时支持在计算语言模型概率时所需的查询。我们提出了几个优化，提高查询运行时间高达2500倍，尽管只会导致建设时间和内存使用的适度增加。对于大型语料库和高马尔可夫订单，我们的方法是非常有竞争力的国家的最先进的KenLM包。它对内存的要求要低得多，通常是几个数量级，并且具有相似的（用于训练）或可比较的（用于查询）运行时。
2016-08-16 cs.CL
Learning Word Relatedness over Time
Technion – Israel Institute of Technology（以色列理工学院）；University of Michigan（密歇根大学）；eBay Research（eBay研究院）
搜索系统通常专注于提供与“现在”相关的结果，假设语料库和用户需求都专注于现在。然而，今天的许多语料库反映了从20年的网络到数百年的数字化报纸和书籍的重要纵向收藏。理解用户的时间意图并检索最相关的历史内容已经成为一个重大挑战。常见的搜索功能，如查询扩展，利用了术语之间的关系，但当关系随时间变化时，不能在所有时间都很好地工作。在这项工作中，我们引入了一个时间关系模型，从纵向数据汇集。该模型支持在给定两个单词时识别它们彼此相关的任务。我们提出了一个算法框架，这个任务，并显示其应用程序的任务的查询扩展，实现高增益。
2017-07-30 cs.CL
CORAL: Adaptive Retrieval Loop for Culturally-Aligned Multilingual RAG
Naver（纳维尔）；Samsung Research（三星研究院）
CORAL通过迭代优化检索空间和查询，提升多语言检索生成在文化相关性上的表现，实验显示在低资源语言上准确率提升3.58%。
2026-04-28 cs.AI cs.CL
The Cross-Lingual Cost: Retrieval Biases in RAG over Arabic-English Corpora
Technology Innovation Institute（技术创新研究所）
本研究针对阿拉伯语-英语跨语言RAG，发现检索是跨语言领域场景的关键瓶颈，并提出两种简单策略（平等检索或查询翻译）显著提升跨语言与整体性能。
2025-10-27 cs.AI cs.CL cs.IR
SPBERT: An Efficient Pre-training BERT on SPARQL Queries for Question Answering over Knowledge Graphs
University of Science（科学大学）；Case Western Reserve University（凯斯西储大学）；National Cancer Institute（美国国家癌症研究所）
在本文中，我们提出了SPBERT，一个基于transformer的语言模型预训练的大量SPARQL查询日志。通过结合掩蔽语言建模目标和单词结构目标，SPBERT可以学习自然语言和SPARQL查询语言的通用表示。我们研究如何SPBERT和编码器-解码器架构可以适应基于知识的QA语料库。我们进行了详尽的实验上的两个额外的任务，包括SPARQL查询建设和回答动词化生成。实验结果表明，SPBERT可以获得令人满意的结果，在其中几个任务上获得了最先进的BLEU分数。
2021-06-30 cs.CL
SmartChunk Retrieval: Query-Aware Chunk Compression with Planning for Efficient Document RAG
University of Michigan（密歇根大学）；Adobe Research（Adobe研究）
SmartChunk通过查询自适应框架和强化学习方案提升长文档问答效率与准确性。
2025-12-17 cs.AI cs.CL cs.IR
Query2doc: Query Expansion with Large Language Models
Microsoft Research（微软研究院）
本文提出query2doc方法，利用大型语言模型生成伪文档来扩展查询，显著提升稀疏和稠密检索系统的性能，无需微调。
2023-10-11 cs.CL cs.IR
SparseCL: Sparse Contrastive Learning for Contradiction Retrieval
MIT（麻省理工学院）；University of California Los Angeles（加州大学洛杉矶分校）
本文提出 SparseCL，通过结合余弦相似度与稀疏函数的专用句子嵌入实现高效矛盾检索，并在多个数据集上取得超过30%的准确率提升。
2024-06-15 cs.CL cs.IR
Query-aware Tip Generation for Vertical Search
Meituan（美团）；Xi’an Jiaotong University（西安交通大学）；University of Chinese Academy of Sciences（中国科学院大学）；Xidian University（西安电子科技大学）
提示作为一种简洁的用户评论形式，在解释搜索结果、辅助用户决策、进一步提升垂直搜索场景下的用户体验方面具有独特优势。现有的工作提示生成不考虑查询，这限制了搜索场景中的提示的影响。为了解决这个问题，本文提出了一个查询感知的提示生成框架，集成查询信息的编码和随后的解码过程。提出了Transformer和递归神经网络（RNN）的两种具体的自适应方法。对于Transformer，查询影响被合并到编码器和解码器的自注意力计算中。对于RNN，查询感知编码器采用选择性网络从评论中提取查询相关信息，而查询感知解码器在解码过程中将查询信息集成到注意力计算中。该框架在公共和现实世界的工业数据集上的表现始终优于竞争方法。最后，在大众点评网上进行的在线部署实验验证了本文提出的小费生成框架的优势及其在线商业价值。
2020-10-19 cs.AI cs.CL
Semantic clustering of Russian web search results: possibilities and problems
Mail.ru Group（Mail.ru集团）；National Research University Higher School of Economics（国立研究型高等经济学院）
本文研究了从词汇共现图中进行词义归纳的问题。我们构建这样的图大型俄罗斯语料库，然后将这些数据聚类Mail.ru搜索结果根据查询的含义。我们比较不同的方法进行这种聚类和不同的源语料库。描述了将分布式语义应用于大语言数据的模型。
2014-10-26 cs.CL cs.IR
Syntactic Search by Example
Allen Institute for AI（艾伦人工智能研究所）；Bar Ilan University（巴伊兰大学）
我们提出了一个系统，允许用户搜索一个大型的语言注释语料库使用依赖图的句法模式。在以前的尝试，这种效果相反，我们引入了一个轻量级的查询语言，不需要用户知道的细节，底层的句法表示，而是查询语料库提供一个简单的标记加上一个例子。由于高效的语言图索引和检索引擎，搜索以交互式速度进行。这允许快速探索、开发和改进基于语法的查询。我们演示了系统使用查询两个语料库：英语维基百科，和英语pubmed摘要的集合。wikipedia系统的演示可在以下网址获得：https://allenai.github.io/spike
2020-06-04 cs.CL
UsingWord Embeddings for Query Translation for Hindi to English Cross Language Information Retrieval
Indian Institute of Technology Kharagpur（印度理工学院卡哈拉格普尔分校）
近年来，随着Web上多语言内容的增长，跨语言信息检索成为一个亟待解决的重要问题。标准方法之一是使用从源语言到目标语言的查询翻译。在本文中，我们提出了一种基于词嵌入的方法，该方法捕获源语言中特定单词的上下文线索，并将这些单词作为在目标语言中类似上下文中出现的翻译。一旦我们获得了源语言和目标语言对的词嵌入，我们就利用一个有词翻译对的字典来学习从源语言到目标语言的词嵌入的投影，然后我们提出了各种查询翻译和聚合的方法。这种方法的优点是它不需要语料库对齐（这对于资源稀缺的语言来说是很难获得的），具有单词翻译对的字典足以训练用于翻译的单词向量。我们的实验与论坛信息检索和评估（FIRE）2008年和2012年的数据集印地语到英语CLIR。所提出的基于词嵌入的方法比基于基本词典的方法的性能高70%，并且当词嵌入与词典相结合时，混合方法比基于基线词典的方法高77%。当与从谷歌翻译和字典获得的翻译相结合时，它比英语单语基线高出15%。
2016-08-04 cs.CL
HAPO: Training Language Models to Reason Concisely via History-Aware Policy Optimization
针对LLMs测试时扩展响应长度导致冗长和高成本的问题，提出HAPO方法，利用历史信息跟踪问题最小正确响应长度，结合长度与正确性奖励优化模型，在数学基准上实现33-59%长度减少且准确率仅降2-5%。
2025-11-11 cs.AI cs.CL cs.LG
HeteroRAG: A Heterogeneous Retrieval-Augmented Generation Framework for Medical Vision Language Tasks
Shanghai Jiao Tong University（上海交通大学）；Fudan University（复旦大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
本文提出HeteroRAG框架，通过异构知识源增强医疗大视觉语言模型，解决异构数据检索问题，提升事实准确性与可靠性。
2026-05-02 cs.CL
An Inference Approach To Question Answering Over Knowledge Graphs
International Institute of Information Technology, Bangalore（班加罗尔国际信息技术学院）；Indian Institute of Science（印度科学理工学院）；Accenture Technology Labs（埃森哲技术实验室）
知识图谱（KG）是一个很好的工具，用于保存从大型自然语言文本语料库中提取的信息。知识图谱上的自然语言查询问题对于人类消费这些信息是必不可少的。这个问题通常通过将自然语言查询转换为结构化查询并且然后在KG上激发结构化查询来解决。在知识图谱上的直接回答模型的文献很少。查询转换模型和直接模型都需要与知识图谱的域有关的特定训练数据。在这项工作中，我们将知识图谱上的自然语言查询问题转换为前提假设对上的推理问题。使用经过训练的深度学习模型来解决转换后的代理推理问题，我们为原始的自然语言查询问题提供了解决方案。我们的方法在MetaQA数据集上实现了超过90%的准确率，击败了现有的最先进的。我们还提出了一个称为分层递归路径编码器（HRPE）的推理模型。推理模型可以被微调以跨具有较少训练数据的域使用。我们的方法不需要大的特定领域的训练数据查询新的知识图谱从不同的领域。
2021-12-21 cs.CL cs.LG
Sangrahaka: A Tool for Annotating and Querying Knowledge Graphs
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
本文介绍Sangrahaka，一个基于网络的工具，用于从文本中标注实体和关系并构建知识图谱，支持模板化自然语言查询，且语言无关、可定制、容错性强。
2021-08-23 cs.CL cs.SE
Entity Type Recognition using an Ensemble of Distributional Semantic Models to Enhance Query Understanding
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；CareerBuilder
我们提出了一个集成的方法，在招聘领域的搜索查询实体进行分类。了解搜索查询中表示的实体类型（公司、技能、职位等）与传统的基于关键字的搜索相比，能够基于这些实体进行更智能的信息检索。因为搜索查询通常非常短，所以由于缺乏上下文信息，利用传统的词袋模型来识别实体类型将是不合适的。相反，我们的方法结合了不同来源的不同复杂性的线索，以收集真实世界的知识查询实体。我们通过两个模型采用查询实体的分布式语义表示：1）从维基百科等百科全书语料库中生成的上下文向量，以及2）使用word 2 vec从数百万个职位发布中生成的高维词嵌入向量。此外，我们的方法利用从WordNet获得的实体语言属性和从DBpedia提取的本体属性。我们评估我们的方法在凯业必达创建的数据集;美国最大的就业委员会。该数据集包含从数百万求职者/招聘人员搜索查询、职位发布和简历文档中提取的实体。在构造搜索实体的分布向量之后，我们使用监督机器学习来推断搜索实体类型。实证结果表明，我们的方法优于最先进的word 2 vec分布语义模型训练维基百科。此外，我们实现了97%的微平均F1分数使用建议的分布表示合奏。
2016-04-04 cs.CL cs.IR
Leveraging Generative Models for Real-Time Query-Driven Text Summarization in Large-Scale Web Search
Baidu Inc.（百度公司）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
本文提出融合蒸馏、监督微调、偏好优化与前瞻解码的生成式 QDTS 框架，使 0.1B 模型超越生产基线并实现低延迟大规模部署。
2025-08-28 cs.CL cs.IR
Literature Retrieval for Precision Medicine with Neural Matching and Faceted Summarization
University of Kentucky（肯塔基大学）
精准医疗（PM）的信息检索（IR）通常涉及寻找表征患者病例的多个证据。这通常至少包括病症的名称和适用于患者的遗传变异。其他因素，如人口统计学属性、合并症和社会决定因素也可能相关。因此，检索问题通常被公式化为ad hoc搜索，但具有多个方面（例如，疾病，突变），可能需要纳入。在本文中，我们提出了一个文档重排序的方法，结合神经查询文档匹配和文本摘要对这样的检索场景。我们的架构建立在基本的BERT模型上，有三个特定的组件用于重新排序：（a）。文档-查询匹配（b）。关键词提取和（c）.分面条件抽象概括。（b）和（c）的结果用于将候选文档基本上转换为简明摘要，该简明摘要可以与手头的查询进行比较以计算相关性分数。组件（a）直接生成查询的候选文档的匹配分数。完整的架构受益于文档查询匹配的互补潜力和新的文档转换方法的基础上总结沿PM方面。使用NIST的TREC-PM跟踪数据集（2017- 2019）进行的评估表明，我们的模型达到了最先进的性能。为了促进可重复性，我们的代码可以在这里获得：https://github.com/bionlproc/text-summ-for-doc-retrieval。
2020-12-17 cs.CL cs.IR
Large Language Model-Powered Query-Driven Event Timeline Summarization in Industrial Search
Baidu Inc.（百度公司）
提出QDET系统，通过多任务微调和强化学习实现查询驱动的事件时间线摘要，在百度搜索中显著提升用户参与度。
2026-05-26 cs.CL cs.IR
GASLITEing the Retrieval: Exploring Vulnerabilities in Dense Embedding-based Search
Tel Aviv University（特拉维夫大学）
本文提出 GASLITE 攻击方法，在不修改模型或依赖语料库内容的情况下生成高排名对抗性段落，系统评估了稠密嵌入检索对概念特定 SEO 攻击的脆弱性，并揭示现有防御可被绕过。
2025-09-18 cs.CL cs.CR
Event-Centric Query Expansion in Web Search
Tencent Inc.（腾讯公司）；University of Science and Technology of China（中国科学技术大学）
本文提出基于事件中心的查询扩展系统EQE，通过事件收集、改写、语义检索和在线排序四阶段快速准确挖掘最优扩展，已在腾讯QQ浏览器搜索中部署并显著提升搜索指标。
2023-05-30 cs.CL cs.IR
Where Privacy Risk Lives in English-Source Multilingual RAG: A Stage-Decomposed Audit Across Five Query Languages
Northeastern University（东北大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Southern Methodist University（南卫理公会大学）
该研究针对英语源多语言RAG系统，通过含五种查询语言的两阶段防御审计发现，非英语语言仍存在残留PII泄露，附加黄金文档可阻断多数残留单元，后续计划开展独立MT与非Qwen判别器的复现工作。
2026-08-07 cs.CL cs.LG
LogiPart: Local Large Language Models for Data Exploration at Scale with Logical Partitioning
Tiago Fernandes Tavares（独立研究者）
LogiPart通过本地大语言模型与逻辑分区技术，在大规模数据探索中实现高效、可解释的税目发现，克服传统方法的效率与成本限制。
2026-02-17 cs.AI cs.CL
On the Consistency of Multilingual Context Utilization in Retrieval-Augmented Generation
Center for Language and Cognition (CLCG), University of Groningen（格罗宁根大学语言与认知中心）；Institute for Logic, Language and Computation (ILLC), University of Amsterdam（阿姆斯特丹大学逻辑、语言与计算研究所）
研究探讨LLMs在多语言RAG中利用不同语言上下文的一致性，发现其能提取异语言信息但难以生成正确语言答案。
2025-11-10 cs.AI cs.CL
QP-OneModel: A Unified Generative LLM for Multi-Task Query Understanding in Xiaohongshu Search
Xiaohongshu Inc.（小红书公司）
QP-OneModel通过统一生成式大语言模型提升小红书搜索多任务查询理解的效率与准确性。
2026-02-10 cs.CL cs.IR
Saying What You're Looking For: Linguistics Meets Video Search
Purdue University（普渡大学）
我们提出了一种方法来搜索大型视频语料库中的视频剪辑描述的自然语言查询的形式的句子。这种方法使用组合语义来编码在其他系统中丢失的微妙含义，例如具有相同单词但含义完全不同的两个句子之间的差异：“The person rode the horse}与\emph {The horse rode the person”。给定一个视频句子对和一个自然语言解析器，以及一个描述语义查询空间的语法，我们会产生一个分数，表明视频对句子的描述有多好。我们为语料库中的每个视频片段生成这样的分数，并返回片段的排名列表。此外，该方法同时解决了两个基本问题：检测和跟踪对象，并识别这些轨迹是否描述了查询。因为跟踪和目标检测都是不可靠的，所以这使用关于预期的初步查询的知识来将跟踪器集中在相关参与者上，并确保所得到的轨迹由初步查询描述。虽然早期的工作仅限于对应于动词或名词的单字查询，我们展示了如何搜索包含多个短语（如介词短语）和修饰语（如副词）的复杂查询。我们证明了这种方法，通过搜索141个查询，涉及人和马相互作用，在10个全长好莱坞电影。
2013-09-20 cs.CL cs.CV cs.IR
