本文探讨了无监督密集检索器的训练方法及其在信息检索任务中的性能。传统基于词频的稀疏方法（如 TF-IDF 和 BM25）尽管简单高效，但在处理“词汇鸿沟”问题和泛化能力方面存在局限。密集检索器利用神经网络通过双编码器架构计算查询和文档的相似性，但过于依赖大规模标注数据，且零样本场景表现有限。文章提出采用对比学习作为训练方法核心，通过随机裁剪与 MoCo 技术构建正负样本对，提升模型性能并解决无监督场景下数据不足的问题。此外，通过多种公开数据集（如 BEIR、NaturalQuestions 和 TriviaQA）评估系统的检索质量，重点关注零样本场景下的迁移能力和检索表现。
10
君子剑
