九游娱乐,九游娱乐官网,九游app,九游下载安卓,九游体育,九游,九游下载,九游体育娱乐,九游体育app,九游体育网页版,九游真人,九游棋牌,九游捕鱼,九游娱乐靠谱吗,九游体育官网,九游官网

　　利用SpaCy从问题中抽取出来实体，然后将这些实体两两组合（无序），假设有n个实体，团队会得到*个候选实体对（即图中Entity Extraction步骤）。如果步骤1中不存在实体，那么认为这是一个全局的问题，同时无法利用实体信息来辅助检索，直接通过向量检索的方式，从文档树上检索到相关的文档块。候选实体对中肯定存在噪声，因此拿它到团队构建好的图中去过滤，即两个实体如果在图中的距离超过h跳，那么就认为他们是无关的，将其排除（即图中Graph Filtering步骤）。根据上一步剩余的实体对数量，团队如果有剩余的实体，进行5的local检索，如果没有，则执行步骤6的全局检索：如果有剩余的实体对，团队利用实体到文档块的索引将每个实体对中的两个实体映射到各自对应的文档块上，然后对这两个文档块集合取交集，即得到了和这两个实体均相关的文档块（即图中的Index Mapping步骤）。如果没有剩余的实体对，那么也就意味实体并非紧密相关，那么这也更可能是一个全局查询，因此团队首先通过向量检索检索到树上的top- 2k个相关的文档块作为候选；然后由于问题中也有实体，因此实体可以辅助进行查询，即计算每一个候选文档块中实体的出现次数作为权重，如果这个候选文档块是总结块，那么其对应的权重即为其子节点的权重之和，向下一直递归。这样的设计自然会给总结块更高的权重，自然符合了这是一个全局查询的假设（即图中的Occurrence Ranking步骤）。如果步骤5返回了超过k个文档， 那说明团队的约束太松，因此团队令h =h-1，然后重新执行步骤5，循环至只剩下不超过k个文档。如果步骤7返回了0个文档，那么取缩紧约束之前的一个查询结果，从其中进行筛选，具体筛选指标为：看这个文档包含了多少个不同的问题相关的实体；看这个文档中问题相关的实体出现了多少次。