本文介绍了设计搜索代理的成功步骤，通过机器学习元策略来迭代查询精细化。文章提出了一种新颖的方法，使用机器阅读辅助挑选查询结果的精炼术语，使代理能够通过简单而有效的搜索操作对查询和搜索结果进行细粒度和透明的控制。通过自主学习，利用基于 Transformer 的语言模型来生成综合搜索会话，并介绍了一种强化学习代理，其具有动态限制的动作，可以从零开始学习交互式搜索策略。我们的搜索代理只使用传统的基于词项的 BM25 排名函数和可解释的离散筛选和筛选操作，即可达到与最新的神经方法相当的检索和答案质量性能。

Sep, 2021

通过无监督对话查询改写，解决了普遍存在的语义歧义和遗漏问题，提升了零样本会话搜索的性能和可解释性。

Jul, 2023

使用 NLP 和多模式学习，该论文介绍了如何通过搜索引擎检索来增强预训练模型，从而在测试时从互联网中检索到有用的数据，并更新模型以解决模型的不确定性，取得了零样本性能的显著改进。

Nov, 2023

本文旨在解决搜索引擎在非英语语言中的信息检索问题，并提出了基于预训练的多语言语言模型的检索系统，能有效提高阿拉伯语，普通话和西班牙语的检索准确性，并通过在英语数据集中增加目标语言样例来改进性能。

Dec, 2019

本篇论文中，我们提出一种基于 Hypothetical Document Embeddings (HyDE) 的零样本密集检索方法，其中通过无监督编码器将虚构文档编码为向量，并在文本相似性检索中表现出强大的性能。

Dec, 2022

本文提出了一种基于马尔科夫决策过程的演员 - 评论家强化学习算法，教会自动代理程序如何在开放领域搜索实体之间的多跳路径，并且在处理较少文档的同时仍能找到所需信息，相比几个基线启发式算法表现更优秀。

May, 2022

本研究提出一种新的混合检索 - 生成强化学习代理（HRGR-Agent）算法，以生成与医学图像相对应的结构化、丰富和稳健的报告，同时提高医学术语检测精度和人工评估表现。该算法通过层次决策过程来实现，使用强化学习进行更新。实验结果表明，该算法在医学报告数据集上取得了最先进的结果。

May, 2018

本研究通过将深度神经网络和强化学习技术相结合，实现了一种基于内部奖励机制的主动信息搜寻系统，通过在部分可见的环境中寻找并整合信息以实现各种目标，实验表明这种方法可以显著提高智能体搜寻信息的效率。

Dec, 2016

本文研究了基于神经检索的循环架构在知识驱动的对话中的应用，将多个组件（检索器、排名器和编码器 - 解码器）结合在一起以最大化可知性并保留对话能力，在两个知识驱动的对话任务中实现了最先进的性能，并经过人工评估证实，大大减少了在最先进的聊天机器人中存在的知识幻觉问题。

Apr, 2021

使用大型语言模型（LLMs）进行语义解析已经取得了显著的成功。本论文提出了一种名为 QueryAgent 的框架，通过逐步解决问题和进行自我纠正来解决可靠性和效率不足的问题。通过利用丰富的环境反馈，ERASER 方法在中间步骤中仅在必要时进行选择性和差异化的自我纠正。实验结果表明，QueryAgent 相比 GrailQA 和 GraphQ 上的所有先前的少样本方法，在仅使用一个示例的情况下，F1 值提高了 7.0 和 15.0。此外，我们的方法在运行时间、查询开销和 API 调用成本等方面表现出了优越性。通过利用 ERASER，我们进一步提高了另一个基准（即 AgentBench）约 10 个点，揭示了我们方法的强大可迁移性。

Mar, 2024