Erweiterung von Translate-Train für ColBERT-X zur Verbesserung der CLIR-Leistung für afrikanische Sprachen
Die Autoren erweitern den Translate-Train-Ansatz zur Erstellung von ColBERT-X-Modellen für die CLIR-Aufgaben in den afrikanischen Sprachen Hausa, Somali, Swahili und Yoruba. Sie untersuchen den Einfluss verschiedener Feinabstimmungsschritte wie maschinelle Übersetzung, Sprachmodell-Feinabstimmung und domänenspezifische Feinabstimmung auf die Retrievalleistung.
Effiziente Verarbeitung und Analyse von Inhalten durch HLTCOE für Einblicke in den TREC 2023 NeuCLIR-Wettbewerb
Das HLTCOE-Team wendete verschiedene Methoden wie PLAID, einen mT5-Reranker und Dokumentenübersetzung auf den TREC 2023 NeuCLIR-Wettbewerb an, um die Leistung von MLIR- und CLIR-Systemen zu verbessern.
Überblick über den TREC 2023 NeuCLIR-Track
Das Hauptziel des TREC Neural Cross-Language Information Retrieval (NeuCLIR) Tracks ist es, die Auswirkungen neuronaler Ansätze auf die mehrsprachige Informationsrückgewinnung zu untersuchen.
Verbesserung der Echtzeit-Suche durch ereignisgesteuerte Rückgewinnung
Das vorgeschlagene EER-Modell verbessert die Leistung der Echtzeit-Suche, indem es die Aufmerksamkeit des Encoders auf die Ereignisinformationen in den Dokumenten lenkt und so das Problem des "semantischen Drifts" in bestehenden Embedding-basierten Rückgewinnungsmodellen angeht.
Effiziente Informationsrückgewinnung durch LLM-Erweiterung und doc-level Embedding
Durch die Anreicherung der Dokumenteneinbettung mit Hilfe von Large Language Models (LLM) kann die Leistung bestehender Retriever-Modelle deutlich verbessert werden.
Ein Vergleich von Methoden zur Bewertung von generativen IR-Systemen
Dieser Artikel untersucht verschiedene Methoden zur Bewertung von generativen Informationsrückgewinnungssystemen, bei denen die Antwort auf eine Suchanfrage nicht aus einer festen Sammlung von Dokumenten oder Passagen stammt, sondern ganz neu generiert wird.
Verbesserung der Suchleistung durch ein Ensemble-basiertes Verfahren zur generativen Abfragereformulierung
Ein Ensemble-basierter Ansatz zur generativen Abfragereformulierung, der mehrere paraphrasierte Instruktionen nutzt, um effizientere Reformulierungen zu generieren und die Leistung der Informationsrückgewinnung zu verbessern.
Ein Benchmark für Informationsrückgewinnungsaufgaben mit komplexen Zielen
BIRCO ist ein Benchmark, der die Fähigkeit von IR-Systemen bewertet, Dokumente unter Berücksichtigung mehrdimensionaler Benutzerziele abzurufen. Der Benchmark ist so konzipiert, dass er eine Herausforderung für LLM-basierte IR-Systeme darstellt.
Die überraschende Wirksamkeit von Ranglisten, die auf erweiterten Abfragen trainiert wurden
Durch das Training eines spezialisierten Rankers auf kontextbezogen erweiterten schwierigen Abfragen und die Kombination seiner Ergebnisse mit einem Basisranker, der auf allen Abfragen trainiert wurde, lässt sich die Ranking-Leistung für schwierige Abfragen signifikant verbessern, ohne die Leistung für andere Abfragen zu beeinträchtigen.
Generative Retrieval als Multi-Vektor-Dense-Retrieval
Generatives Retrieval und Multi-Vektor-Dense-Retrieval teilen den gleichen Rahmen zur Messung der Relevanz eines Dokuments für eine Abfrage.
© 2024 by Linnk AI