Bhaskar Mitra
38 SlideShares 0 Clipboards 180 Followers 3 Folgens
Personal Information
Unternehmen/Arbeitsplatz
London, United Kingdom United Kingdom
Beruf
Principal Applied Scientist at Microsoft
Branche
Technology / Software / Internet
Webseite
research.microsoft.com/people/bmitra
Info
I am a Principal Applied Scientist at Bing in Microsoft Research Cambridge. My research is focused on Web search, information retrieval and machine learning. I started at Bing in 2007 (then called Live Search) at the Search Technology Center in India. Since then I have worked on a number of problems related to document ranking, query formulation and recommendation, query re-writing, entity ranking and evaluation. My current research interests center on representation learning and in particular their application to modern day information retrieval.
Kontaktdetails
Tags
information retrieval deep learning neural networks web search neural information retrieval deep neural networks search machine learning word embeddings search engine learning to rank trec document ranking evaluation trec deep learning benchmarking recommender systems expected exposure stochastic ranking ms marco bert document retrieval embeddings web ranking demographics search exposure exposure fairness conformer-kernel conformer leaderboard msmarco efficiency adversarial learning reinforcement learning representation learning microsoft duet sigir 2016 neu-ir 2016 sigir2016 text embeddings word2vec query formulation query auto-completion ethics data challegne shared task full retrieval qti query term independence transformer datasets domain transfer transfer learning query evaluation semantic search natural language processing bing ucl university college london sigir 2017 www2017 adhoc retrieval acl2016berlin acl2016 pseudo-relevance feedback artificial intelligence recurrent neural networks rnn ai metrics web qna question-answering neu-ir2016 auto suggest london cntk search solutions 2015 computational network toolkit auto completion dssm pointwise mutual information search solutions contextual search
Mehr anzeigen
Präsentationen (38)
Alle anzeigen
Exploring Session Context using Distributed Representations of Queries and Reformulations (SIGIR 2015)
Vor 7 Jahren • 1587 Aufrufe
Vectorland: Brief Notes from Using Text Embeddings for Search
Vor 7 Jahren • 6305 Aufrufe
A Simple Introduction to Word Embeddings
Vor 6 Jahren • 30114 Aufrufe
Using Text Embeddings for Information Retrieval
Vor 6 Jahren • 9956 Aufrufe
Neu-IR 2016: Lessons from the Trenches
Vor 6 Jahren • 846 Aufrufe
Neu-ir 2016: Opening note
Vor 6 Jahren • 873 Aufrufe
A Proposal for Evaluating Answer Distillation from Web Data
Vor 6 Jahren • 677 Aufrufe
Recurrent networks and beyond by Tomas Mikolov
Vor 6 Jahren • 2871 Aufrufe
Query Expansion with Locally-Trained Word Embeddings (Neu-IR 2016)
Vor 6 Jahren • 1446 Aufrufe
Query Expansion with Locally-Trained Word Embeddings (ACL 2016)
Vor 6 Jahren • 1117 Aufrufe
Neural Text Embeddings for Information Retrieval (WSDM 2017)
Vor 5 Jahren • 17246 Aufrufe
The Duet model
Vor 5 Jahren • 2608 Aufrufe
Neu-IR 2017: welcome
Vor 5 Jahren • 596 Aufrufe
Neural Models for Information Retrieval
Vor 5 Jahren • 2050 Aufrufe
Neural Models for Document Ranking
Vor 5 Jahren • 1770 Aufrufe
Neural Models for Information Retrieval
Vor 5 Jahren • 2446 Aufrufe
A Simple Introduction to Neural Information Retrieval
Vor 4 Jahren • 3857 Aufrufe
5 Lessons Learned from Designing Neural Models for Information Retrieval
Vor 4 Jahren • 1487 Aufrufe
Adversarial and reinforcement learning-based approaches to information retrieval
Vor 4 Jahren • 694 Aufrufe
Dual Embedding Space Model (DESM)
Vor 4 Jahren • 746 Aufrufe
Deep Learning for Search
Vor 4 Jahren • 1289 Aufrufe
Neural Learning to Rank
Vor 3 Jahren • 838 Aufrufe
Deep Learning for Search
Vor 3 Jahren • 397 Aufrufe
Deep Learning for Search
Vor 3 Jahren • 1141 Aufrufe
Learning to Rank with Neural Networks
Vor 3 Jahren • 840 Aufrufe
Neural Learning to Rank
Vor 2 Jahren • 856 Aufrufe
Deep Neural Methods for Retrieval
Vor 2 Jahren • 615 Aufrufe
Benchmarking for Neural Information Retrieval: MS MARCO, TREC, and Beyond
Vor 2 Jahren • 418 Aufrufe
Duet @ TREC 2019 Deep Learning Track
Vor 2 Jahren • 103 Aufrufe
Neural Learning to Rank
Vor 2 Jahren • 309 Aufrufe
Gefällt mir (1)
Overview of the TREC 2019 Deep Learning Track
Nick Craswell • Vor 2 Jahren
Präsentationen (38)
Alle anzeigen
Exploring Session Context using Distributed Representations of Queries and Reformulations (SIGIR 2015)
Vor 7 Jahren • 1587 Aufrufe
Vectorland: Brief Notes from Using Text Embeddings for Search
Vor 7 Jahren • 6305 Aufrufe
A Simple Introduction to Word Embeddings
Vor 6 Jahren • 30114 Aufrufe
Using Text Embeddings for Information Retrieval
Vor 6 Jahren • 9956 Aufrufe
Neu-IR 2016: Lessons from the Trenches
Vor 6 Jahren • 846 Aufrufe
Neu-ir 2016: Opening note
Vor 6 Jahren • 873 Aufrufe
A Proposal for Evaluating Answer Distillation from Web Data
Vor 6 Jahren • 677 Aufrufe
Recurrent networks and beyond by Tomas Mikolov
Vor 6 Jahren • 2871 Aufrufe
Query Expansion with Locally-Trained Word Embeddings (Neu-IR 2016)
Vor 6 Jahren • 1446 Aufrufe
Query Expansion with Locally-Trained Word Embeddings (ACL 2016)
Vor 6 Jahren • 1117 Aufrufe
Neural Text Embeddings for Information Retrieval (WSDM 2017)
Vor 5 Jahren • 17246 Aufrufe
The Duet model
Vor 5 Jahren • 2608 Aufrufe
Neu-IR 2017: welcome
Vor 5 Jahren • 596 Aufrufe
Neural Models for Information Retrieval
Vor 5 Jahren • 2050 Aufrufe
Neural Models for Document Ranking
Vor 5 Jahren • 1770 Aufrufe
Neural Models for Information Retrieval
Vor 5 Jahren • 2446 Aufrufe
A Simple Introduction to Neural Information Retrieval
Vor 4 Jahren • 3857 Aufrufe
5 Lessons Learned from Designing Neural Models for Information Retrieval
Vor 4 Jahren • 1487 Aufrufe
Adversarial and reinforcement learning-based approaches to information retrieval
Vor 4 Jahren • 694 Aufrufe
Dual Embedding Space Model (DESM)
Vor 4 Jahren • 746 Aufrufe
Deep Learning for Search
Vor 4 Jahren • 1289 Aufrufe
Neural Learning to Rank
Vor 3 Jahren • 838 Aufrufe
Deep Learning for Search
Vor 3 Jahren • 397 Aufrufe
Deep Learning for Search
Vor 3 Jahren • 1141 Aufrufe
Learning to Rank with Neural Networks
Vor 3 Jahren • 840 Aufrufe
Neural Learning to Rank
Vor 2 Jahren • 856 Aufrufe
Deep Neural Methods for Retrieval
Vor 2 Jahren • 615 Aufrufe
Benchmarking for Neural Information Retrieval: MS MARCO, TREC, and Beyond
Vor 2 Jahren • 418 Aufrufe
Duet @ TREC 2019 Deep Learning Track
Vor 2 Jahren • 103 Aufrufe
Neural Learning to Rank
Vor 2 Jahren • 309 Aufrufe
Gefällt mir (1)
Overview of the TREC 2019 Deep Learning Track
Nick Craswell • Vor 2 Jahren
Personal Information
Unternehmen/Arbeitsplatz
London, United Kingdom United Kingdom
Beruf
Principal Applied Scientist at Microsoft
Branche
Technology / Software / Internet
Webseite
research.microsoft.com/people/bmitra
Info
I am a Principal Applied Scientist at Bing in Microsoft Research Cambridge. My research is focused on Web search, information retrieval and machine learning. I started at Bing in 2007 (then called Live Search) at the Search Technology Center in India. Since then I have worked on a number of problems related to document ranking, query formulation and recommendation, query re-writing, entity ranking and evaluation. My current research interests center on representation learning and in particular their application to modern day information retrieval.
Kontaktdetails
Tags
information retrieval deep learning neural networks web search neural information retrieval deep neural networks search machine learning word embeddings search engine learning to rank trec document ranking evaluation trec deep learning benchmarking recommender systems expected exposure stochastic ranking ms marco bert document retrieval embeddings web ranking demographics search exposure exposure fairness conformer-kernel conformer leaderboard msmarco efficiency adversarial learning reinforcement learning representation learning microsoft duet sigir 2016 neu-ir 2016 sigir2016 text embeddings word2vec query formulation query auto-completion ethics data challegne shared task full retrieval qti query term independence transformer datasets domain transfer transfer learning query evaluation semantic search natural language processing bing ucl university college london sigir 2017 www2017 adhoc retrieval acl2016berlin acl2016 pseudo-relevance feedback artificial intelligence recurrent neural networks rnn ai metrics web qna question-answering neu-ir2016 auto suggest london cntk search solutions 2015 computational network toolkit auto completion dssm pointwise mutual information search solutions contextual search
Mehr anzeigen