@inproceedings{le-hai-etal-2023-cosplade,
title = "{C}o{SPLADE} : Adaptation d`un Mod{\`e}le Neuronal Bas{\'e} sur des Repr{\'e}sentations Parcimonieuses pour la Recherche d`Information Conversationnelle",
author = "Le Hai, Nam and
Gerald, Thomas and
Formal, Thibault and
Nie, Jian-Yun and
Piwowarksi, Benjamin and
Soulier, Laure",
editor = {Zargayouna, Ha{\"i}fa},
booktitle = "Actes de CORIA-TALN 2023. Actes de la 18e Conf{\'e}rence en Recherche d`Information et Applications (CORIA)",
month = "6",
year = "2023",
address = "Paris, France",
publisher = "ATALA",
url = "https://aclanthology.org/2023.jeptalnrecital-coria.16/",
pages = "207--212",
language = "fra",
abstract = "La recherche conversationnelle est une t{\^a}che qui vise {\`a} retrouver des documents {\`a} partir de la questioncourante de l`utilisateur ainsi que l`historique complet de la conversation. La plupart des m{\'e}thodesant{\'e}rieures sont bas{\'e}es sur une approche multi-{\'e}tapes reposant sur une reformulation de la question.Cette {\'e}tape de reformulation est critique, car elle peut conduire {\`a} un classement sous-optimal des do-cuments. D`autres approches ont essay{\'e} d`ordonner directement les documents, mais s`appuient pourla plupart sur un jeu de donn{\'e}es contenant des pseudo-labels. Dans ce travail, nous proposons une tech-nique d`apprentissage {\`a} la fois {\textquotedblleft}l{\'e}g{\`e}re{\textquotedblright} et innovante pour un mod{\`e}le contextualis{\'e} d`ordonnancementbas{\'e} sur SPLADE. En s`appuyant sur les repr{\'e}sentations parcimonieuses de SPLADE, nous montronsque notre mod{\`e}le, lorsqu`il est combin{\'e} avec le mod{\`e}le de r{\'e}-ordonnancement T5Mono, obtient desr{\'e}sultats qui sont comp{\'e}titifs avec ceux obtenus par les participants des campagnes d'{\'e}valuation TRECCAsT 2020 et 2021. Le code source est disponible sur https://github.com/anonymous."
}<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="le-hai-etal-2023-cosplade">
<titleInfo>
<title>CoSPLADE : Adaptation d‘un Modèle Neuronal Basé sur des Représentations Parcimonieuses pour la Recherche d‘Information Conversationnelle</title>
</titleInfo>
<name type="personal">
<namePart type="given">Nam</namePart>
<namePart type="family">Le Hai</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Thomas</namePart>
<namePart type="family">Gerald</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Thibault</namePart>
<namePart type="family">Formal</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Jian-Yun</namePart>
<namePart type="family">Nie</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Benjamin</namePart>
<namePart type="family">Piwowarksi</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Laure</namePart>
<namePart type="family">Soulier</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2023-06</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">fra</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de CORIA-TALN 2023. Actes de la 18e Conférence en Recherche d‘Information et Applications (CORIA)</title>
</titleInfo>
<name type="personal">
<namePart type="given">Haïfa</namePart>
<namePart type="family">Zargayouna</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA</publisher>
<place>
<placeTerm type="text">Paris, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>La recherche conversationnelle est une tâche qui vise à retrouver des documents à partir de la questioncourante de l‘utilisateur ainsi que l‘historique complet de la conversation. La plupart des méthodesantérieures sont basées sur une approche multi-étapes reposant sur une reformulation de la question.Cette étape de reformulation est critique, car elle peut conduire à un classement sous-optimal des do-cuments. D‘autres approches ont essayé d‘ordonner directement les documents, mais s‘appuient pourla plupart sur un jeu de données contenant des pseudo-labels. Dans ce travail, nous proposons une tech-nique d‘apprentissage à la fois “légère” et innovante pour un modèle contextualisé d‘ordonnancementbasé sur SPLADE. En s‘appuyant sur les représentations parcimonieuses de SPLADE, nous montronsque notre modèle, lorsqu‘il est combiné avec le modèle de ré-ordonnancement T5Mono, obtient desrésultats qui sont compétitifs avec ceux obtenus par les participants des campagnes d’évaluation TRECCAsT 2020 et 2021. Le code source est disponible sur https://github.com/anonymous.</abstract>
<identifier type="citekey">le-hai-etal-2023-cosplade</identifier>
<location>
<url>https://aclanthology.org/2023.jeptalnrecital-coria.16/</url>
</location>
<part>
<date>2023-6</date>
<extent unit="page">
<start>207</start>
<end>212</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T CoSPLADE : Adaptation d‘un Modèle Neuronal Basé sur des Représentations Parcimonieuses pour la Recherche d‘Information Conversationnelle
%A Le Hai, Nam
%A Gerald, Thomas
%A Formal, Thibault
%A Nie, Jian-Yun
%A Piwowarksi, Benjamin
%A Soulier, Laure
%Y Zargayouna, Haïfa
%S Actes de CORIA-TALN 2023. Actes de la 18e Conférence en Recherche d‘Information et Applications (CORIA)
%D 2023
%8 June
%I ATALA
%C Paris, France
%G fra
%F le-hai-etal-2023-cosplade
%X La recherche conversationnelle est une tâche qui vise à retrouver des documents à partir de la questioncourante de l‘utilisateur ainsi que l‘historique complet de la conversation. La plupart des méthodesantérieures sont basées sur une approche multi-étapes reposant sur une reformulation de la question.Cette étape de reformulation est critique, car elle peut conduire à un classement sous-optimal des do-cuments. D‘autres approches ont essayé d‘ordonner directement les documents, mais s‘appuient pourla plupart sur un jeu de données contenant des pseudo-labels. Dans ce travail, nous proposons une tech-nique d‘apprentissage à la fois “légère” et innovante pour un modèle contextualisé d‘ordonnancementbasé sur SPLADE. En s‘appuyant sur les représentations parcimonieuses de SPLADE, nous montronsque notre modèle, lorsqu‘il est combiné avec le modèle de ré-ordonnancement T5Mono, obtient desrésultats qui sont compétitifs avec ceux obtenus par les participants des campagnes d’évaluation TRECCAsT 2020 et 2021. Le code source est disponible sur https://github.com/anonymous.
%U https://aclanthology.org/2023.jeptalnrecital-coria.16/
%P 207-212
Markdown (Informal)
[CoSPLADE : Adaptation d’un Modèle Neuronal Basé sur des Représentations Parcimonieuses pour la Recherche d’Information Conversationnelle](https://aclanthology.org/2023.jeptalnrecital-coria.16/) (Le Hai et al., JEP/TALN/RECITAL 2023)
ACL