t_wの輪郭

『知的生活の方法』 p.132

ベクトル検索では文章にて検索するため、私は検索文と呼んでいる。検索語としてしまうと、単語での検索に限定されてしまう。

ググればわかることをチャットで聞かれてしまって、つい、「検索結果そのままで恐縮ですが」って返してしまった。

おそらく一般的には応類と向類は同じ言語モデルで生成して検索に用いるのだが、応類と向類で異なる言語モデルを用いることで以下の利点が得られる。

• 利用者の動向から向類を学習させ、漸次的に検索精度を向上させる
• 利用者の動向から向類を学習させ、漸次的に個々の利用者に対して検索結果を変化させる
• 上記をしつつ、更新費用が高くなる応類を不変あるいは低頻度での更新と出来る

レコメンドにおいても同様のことができ、同じような利点が得られる。

Two-Towerモデルと同一。

検索語と検索対象の類似度によって順位付けを行う検索において、検索対象の上位に紐付けられたものの類似度を、検索対象の類似度として合算してしまうという手法

ある検索対象自身の類似度がたまたま高くなってしまって、検索結果においてノイズとなる可能性があるが、複数の類似度の合算とすることで、類似度のブレを抑えることが出来る。

検索結果の候補として、知名とトークンが一致した輪郭に加えて、そこから前景後景を2回まで辿った輪郭も、検索候補とする。これにより、類義語を考慮した検索となる。
ベクトル検索と比較して、実装が簡単。ベクトル検索がまだ簡単ではないので。

輪郭の順位づけに、輪郭本体のSentence Embeddingに加えて、前景後景のSentence Embeddingを用いる。輪郭単体のSentence Embeddingでは、意図せず順位が高くなる恐れがあるが、互助的に順位を出すことで、より安定した順位付けとなる。
輪郭本体のSentence Embeddingがまだ計算されていない間も、前景後景から補完されて順位付けができる利点もある。

embeddingなどのベクトルの近似度から検索すること

もう少ししたらAIとのやり取りも飽きそう
大体分かってきたし、「AIが書いてるから面白い」の効果も薄れつつある。

普通に検索するみたいに、「何かが知りたい」となったタイミングで使う形に落ち着きそう。

　メモを書籍化するにあたって、ある種の題目に沿ったメモを一か所に集める必要がある。つまり、特定の属性を持ったメモの集合を作る必要がある。
　検索は、簡単に「特定の属性を持ったメモの集合」を作る手段の一つである。

輪郭が見つからなかったとき、以下の方法で探すことができます。

• 「検索したい単語 site:dlt.kitetu.com」のようにGoogleで検索すると、Google上でデライトの輪郭を検索できます。
• デライトの検索欄で、「検索したい単語!?」のように検索するとより多くの検索結果が表示されます。

輪郭の名前のこと。この輪郭で言えば、「知名」が知名に当たる。

デライト では知名が検索での対象となる。

知名がなくても描写だけで輪郭を投稿できる。知名のない輪郭は知名部分に「あれ」と表示される。

全知検索において，与えられた区切り文字で検索語を区切り，連続的に検索すること。

希哲10年11月6日，原則として区切り文字を改行とし「複数行検索」にする方針を決める。

https://nlab.itmedia.co.jp/nl/articles/2111/05/news149.html

• 輪郭が検索で引っ掛かる様にする
  • デライトの検索では、表題の完全一致のみ表示される（全知検索）
  • 引き入れられにより、擬似的に表題や本文の部分一致による検索ができる
  • 例えば、私はケンタッキーオリジナルチキンを探すときはケンタッキーで検索している
• 輪郭に別名をつける
• 輪郭に複数の表題をつける

本はAmazonの欲しいものリストにどんどん入れておいて、読みたくなった時に % で検索している。割引されてる商品だけ見られる。

https://speakerdeck.com/kotaroooo0/zhuan-zhi-indetukusudedoujian-suo-siteiruka