Główne pojęcia
Die Verfeinerung von Sprachmodellen verbessert die Artikelabfrage.
Streszczenie
Abstract:
Kritik an bestehenden Modellen für Null-Schuss-Leistung.
Vorschlag zur Generierung von In-Domain-Datensätzen.
Verbesserungen bei der Feinabstimmung von Einbettungsmodellen.
Methode:
Problemformulierung für Einbettungsmodell.
Sammlung von Feinabstimmungsaufgaben.
Datenbeschaffung für Xbox und Steam.
Experimente:
Baselines und Metriken.
Gesamtergebnisse für verschiedene Modelle.
Out-of-Domain-Tests und Generalisierung.
Ergebnisse mit Recommender AI Agent.
Schlussfolgerung:
Diskrepanz zwischen allgemeinen Texteinbettungen und spezifischen Anforderungen für Artikelabfrage.
Einführung von In-Domain-Feinabstimmungsaufgaben zur Verbesserung der Modellleistung.
Statystyki
Unsere Methode verbessert die Hit@5-Metrik von 0,0424 auf 0,4723.
Die Modelle E5 und BGE-v1.5 zeigen eine überlegene Leistung im Vergleich zu BERT und RepLLaMA.
Die Hit@5-Metrik für E5 auf der US2I-Aufgabe stieg von 0,0424 auf 0,4723.
Cytaty
"Die Verfeinerung von Sprachmodellen verbessert die Artikelabfrage."
"Die Modelle E5 und BGE-v1.5 zeigen eine überlegene Leistung im Vergleich zu BERT und RepLLaMA."