Mar, 2024

ReMatch：基于 LLMs 的改进检索型模式匹配

PDF
TL;DR本文介绍了一种名为 ReMatch 的新方法，使用检索增强的大型语言模型（LLMs）匹配架构，无需预定义映射、模型训练或访问源数据库的数据。实验结果表明，ReMatch 显著提高了匹配能力，并优于其他机器学习方法。
schema matchingdata integrationretrieval-enhanced large language modelssemantic relevancemachine learning
发现论文，激发创造
  • 使用大型语言模型匹配表格元数据与业务词汇

    使用大型语言模型的方法，无需手动调整，能够匹配表格元数据和业务词汇，从而实现对结构化数据的检索和分析。

    Sep, 2023

  • 将 LLMs 转化为跨模态和跨语言检索系统

    使用大型语言模型进行多模态双编码检索系统，能够在多种语言中匹配语音和文本，提升召回率并实现跨语言匹配。

    Apr, 2024

  • LLMs4OM：基于大语言模型的本体匹配

    LLMs4OM 框架通过零样本提示技术，利用大型语言模型在本体匹配任务中评估大型语言模型的效果，并在不同本体表示（概念、概念父类、概念子类）之间实现检索和匹配两个模块，全面评估了 20 个不同领域的本体匹配数据集，结果表明，在复杂匹配场景下，LLMs 在 LLMs4OM 框架下的性能可以与甚至超过传统的本体匹配系统，凸显了 LLMs 在本体匹配领域的潜力。

    Apr, 2024

  • 为高效、个性化信息检索调整语言模型的方法与影响

    大型语言模型（LLMs）在信息检索方面的优化、模型幻觉、用户隐私等关键问题的研究。

    Nov, 2023

  • 利用大型语言模型进行关系发现来消除实体匹配的歧义

    通过预定义一组与任务相关的关系，我们的方法将重点从纯粹识别语义相似性转移到理解并定义实体之间的 “关系”，以解决匹配中的模糊性，从而使分析员能够更有效地浏览从完全匹配到概念相关实体的相似性范围。

    Mar, 2024

  • AI 匹配：使用嵌入的两步方法进行模式匹配

    本文提出了一种基于神经嵌入的端到端模式匹配新方法，该方法分为表匹配和属性匹配两步。实验结果表明，该方法能够以精确可靠的方式确定匹配，并且相较于传统模式匹配方法能找到非常规匹配点。

    Mar, 2022

  • GRAM: 基于数据安全背景下的数据模式的生成式检索增强匹配

    在数据摄取过程中，模式匹配是当代数据库系统中至关重要的阶段，它的目标是识别与不同数据表相关联的两组属性之间的相似性，本研究重新审视了这个基础问题，并基于大型语言模型进行了探讨，强调了在零射和少射场景下精确匹配属性的能力。

    Jun, 2024

  • RRAML: 强化检索增强机器学习

    通过提出一种名为增强检索增强机器学习（RRAML）的新型框架，将大型语言模型的推理能力与用户提供的数据库中的检索信息相结合，有效地解决了 API 文本输入的上下文限制和外部数据源可用性的局限性。

    Jul, 2023

  • 利用大型语言模型进行实体匹配

    通过使用大型语言模型 (LLMs) 进行实体匹配，我们对可托管的 LLMs (如 GPT3.5 和 GPT4) 以及基于 Llama2 的开源 LLMs 进行了评估，在零 - shot 场景和有任务特定训练数据的场景中比较了不同的提示设计以及模型在零 - shot 场景中的提示敏感度。根据实验结果，我们发现 GPT4 在没有任务特定训练数据的情况下在三个基准数据集上优于精调的 PLMs (RoBERTa 和 Ditto)，达到约 90% 的 F1 分数，而在上下文学习和规则生成方面，除了 GPT4 之外，所有模型都从这些技术中受益（平均 F1 分数提高了 5.9% 和 2.2%），大多数情况下 GPT4 无需额外的指导。

    Oct, 2023

  • 可靠、适应性强、可归因的检索式语言模型

    通过在推理过程中引入大规模数据存储，检索增强的语言模型（retrieval-augmented LMs）可以更可靠、适应性更强且更具可追溯性，然而目前在超越知识密集型任务（如问答）以外的领域，检索增强的语言模型尚未被广泛采用，这需要重新考虑数据存储和检索器、改进检索器和语言模型组件之间的交互以及在高效训练和推理方面进行大规模投资。

    Mar, 2024