arXiv cs.AI· Linhai Ma, Ethan F. Wei, Xueqing Peng, Yan Wang, Lingfei Qian, V\'ictor Guti\'errez-Basulto·· 3 天前AI 评分22
Factorized Hypothesis Search：面向证据到分类体系检索的因子化假设搜索
Factorized Hypothesis Search for Evidence-to-Taxonomy Retrieval
AI 导读
针对输入为间接证据（如依赖行列、数据类型与上下文的表格单元格）时目标概念难以被检索的问题，研究者提出 Factorized Hypothesis Search（FHS），在命名语义维度上维护多个部分解释，支持结构化查询渲染、多假设检索与维度级候选验证。
正文 · AI 翻译
摘要：大规模分类体系检索通常假设输入已经表达了目标概念。然而在许多场景中，输入只是间接证据，例如一个表格单元格，其含义取决于所在的行、列、数据类型和上下文。我们将这种不匹配称为检索就绪差距。我们的分析表明，当目标语义明确时，当前索引能够可靠地检索到目标，而原始证据往往使其排名靠后。我们提出因子化假设搜索（FHS），它在命名的语义维度上维护多个部分解释。这些假设支持结构化查询渲染、多假设检索以及维度级候选验证。在金融分类体系标注和 CodiEsp 临床编码任务上，FHS 在非 oracle 方法中取得了最佳的 Recall@1、MRR 和最终准确率。将因子化假设路径替换为自由文本集成会导致头部排名性能的最大下降，而顺序细化相比 FHS 强大的并行首轮没有带来额外增益。
| 评论： | 27 页，1 幅图，28 张表 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2608.06614 [cs.CL] |
| （或使用 arXiv:2608.06614v2 [cs.CL] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2608.06614 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Linhai Ma [查看邮箱]
[v1]
2026 年 8 月 6 日星期四 21:56:56 UTC（128 KB）
[v2]
2026 年 10 月 13 日星期二 15:04:32 UTC（125 KB）
来源：arXiv cs.AI · arxiv.org