😂图放这了，大道至简的 idea \text{idea} idea不愧是 ECIR \text{ECIR} ECIR
👉原论文
1. ConstBERT \textbf{1. ConstBERT} 1. ConstBERT的原理
1️⃣模型的改进点：相较于 ColBERT \text{ColBERT} ColBERT为每个 Token \text{Token} Token生成一个向量， ConstBERT \text{ConstBERT} ConstBERT只为段落生成固定 C C C个向量
- 嵌入阶段：为查询 Q Q Q和段落 P P P的每个 Token \text{Token} Token都生成一个 d d d维向量，是为 { q 1 , ... , q N } \{q_{1},\ldots,q_{N}\} {q1,...,qN}和 { p 1 , ... , p M } \{p_{1},\ldots,p_{M}\} {p1,...,pM}
- 线性变换：拼接所有段落单向量为 [ p 1 , ⋯ , p M ] ∈ R d M \left[p_{1},\cdots,p_{M}\right]\text{∈}\mathbb{R}^{dM} [p1,⋯,pM]∈RdM，进行 W ∈ R M k × C k \mathbf{W}\text{∈}\mathbb{R}^{Mk\text{×}Ck} W∈RMk×Ck投影得 [ δ 1 , ⋯ , δ C ] = W T [ p 1 , ⋯ , p M ] ∈ R d C \left[\delta_{1},\cdots, \delta_{C}\right]\text{=}\mathbf{W}^{T}\left[p_{1},\cdots,p_{M}\right]\text{∈}\mathbb{R}^{dC} [δ1,⋯,δC]=WT[p1,⋯,pM]∈RdC
- 后期交互：同 ColBERT \text{ColBERT} ColBERT，为每个 q i q_i qi找到与其内积最大的 MaxSim ( q i , δ ) = δ p i \text{MaxSim}(q_i,\delta)\text{=}\delta_{p_i} MaxSim(qi,δ)=δpi，最后将所有 MaxSim \text{MaxSim} MaxSim相加得到相似度评分
2️⃣改进的动机：为何非要固定数目的段落向量
- 存储效率上：设定 C < M C\text{<}M C<M后，能降低段落嵌入所占的空间
- 计算效率上：设定 C < M C\text{<}M C<M后，将原有 O ( M N ) O(MN) O(MN)的查询复杂度降为了 O ( C N ) O(CN) O(CN)
- 系统级优化：使得内存对齐，规避了变长文档表示导致内存碎片化，从而降低了 Cache Miss \text{Cache Miss} Cache Miss
2. ConstBERT \textbf{2. ConstBERT} 2. ConstBERT的实验结果
1️⃣效果：当 C = 32 C\text{=}32 C=32时，在 MsMarco/BEIR \text{MsMarco/BEIR} MsMarco/BEIR等数据集上，查询效果与 ColBERT \text{ColBERT} ColBERT相当(用 MRR@10/nDCG@10 \text{MRR@10/nDCG@10} MRR@10/nDCG@10衡量)
2️⃣效率：相比 ColBERT \text{ColBERT} ColBERT对段落的存储空间需求减少了一半多，端到端检索响应速度也显著加快