【学术科研】中国科学院计算技术研究所领衔研究成果荣获CIKM 2026时间检验奖
近日,在意大利罗马举行的第35届国际计算机学会信息与知识管理会议(ACM CIKM 2026)上,中国科学院计算技术研究所领衔完成的研究论文《A Deep Relevance Matching Model for Ad-hoc Retrieval》(面向信息检索的深度相关性匹配模型)荣获唯一的Test of Time Award(时间检验奖)。该论文发表于CIKM 2016,由中国科学院计算技术研究所郭嘉丰研究员、范意兴副研究员与美国马萨诸塞大学阿默斯特分校艾清遥(目前任清华大学计算机系副教授)、W. Bruce Croft教授合作完成。这也是来自中国大陆的研究机构首次牵头获得该奖项。
CIKM是信息检索、数据挖掘和数据库领域具有重要国际影响力的学术会议,由 ACM SIGIR 与 SIGWEB 联合主办,1992年首次举办,迄今已经举办30余年。 会议自2017年起设立时间检验奖,旨在表彰发表至少十年、对相关研究领域产生重要且持续影响的代表性论文。

DRMM方法研究背景与核心内容
信息检索是搜索引擎及各类智能信息服务系统的基础技术,其核心任务是从海量信息中准确找到与用户需求相关的内容。2016年前后,深度学习在自然语言处理等领域取得显著进展,但已有深度文本匹配模型直接应用于传统文档检索时,往往难以超越经典检索方法。如何充分发挥深度学习的表示与建模能力,同时保留信息检索任务所特有的相关性信号,是当时神经信息检索研究面临的重要挑战。
针对这一问题,研究团队提出,信息检索中的“相关性匹配”不同于自然语言处理中的一般“语义匹配”,应围绕检索任务的关键特征设计专门的深度学习模型。
基于这一认识,团队提出深度相关性匹配模型DRMM(Deep Relevance Matching Model),重点解决精确匹配信号、查询词重要性及多样化匹配需求三个关键问题。
历经十年检验,持续推动神经信息检索研究
DRMM的意义不仅在于提出了一种新的神经排序模型,更在于系统揭示了语义相似性与检索相关性之间的区别,强调应根据检索任务的内在特征设计模型架构。
这一研究思想为神经信息检索提供了重要启发。DRMM作为交互式神经排序模型的早期代表性工作,被后续信息检索研究和综述文献广泛讨论,为相关性建模与神经检索方法的发展提供了重要参考。
获奖论文信息
论文题目:A Deep Relevance Matching Model for Ad-hoc Retrieval
论文作者:Jiafeng Guo, Yixing Fan, Qingyao Ai, W. Bruce Croft
发表会议:The 25th ACM International Conference on Information and Knowledge Management(CIKM 2016)
论文链接:https://doi.org/10.1145/2983323.2983769
