将大型语言模型与搜索引擎服务相结合,为服务计算领域带来重大变革,本文深入研究了如何整合大型语言模型和搜索引擎以互惠互利。重点关注两个主要方面:使用搜索引擎改进大型语言模型 (Search4LLM) 和使用大型语言模型增强搜索引擎功能 (LLM4Search)。
Jun, 2024
利用大型语言模型(LLMs)开发了一个名为 GenSERP 的框架,该框架在少样本情况下利用 LLMs 与视觉功能来动态组织中间搜索结果,并根据用户查询生成一个连贯的搜索结果页面布局,提供出色的用户体验。
Feb, 2024
本文介绍了信息检索的演进以及大语言模型和搜索引擎的利弊,提出了 InteR 框架,通过交互改进知识的检索,并通过实验验证其优越性。
May, 2023
通过与用户与搜索引擎的交互历史相关的上下文,我们提出了一种新颖且通用的方法,用于个性化输出,这对于理解用户当前的搜索背景以及他们历史上知道和关心的内容是必要的。我们验证了我们的方法在上下文查询建议的任务上优于几个其他 LLM 基准方法,生成了在上下文中更相关、个性化和有用的查询建议。
Nov, 2023
这篇论文旨在研究大型语言模型的文档检索能力。实验表明,通过提供少量上下文演示,大模型可以直接生成正确答案的网址,相比于目前的检索方法在开放领域问答中表现更佳。
通过代理模型 SlimPLM 在问题 - 回答任务中,检测大型语言模型(LLMs)中缺失的知识,并大幅提升 LLMs 的端到端性能,降低 LLM 推理成本。
利用大型语言模型(LLM)的知识构建了一个新的生成检索框架,以提高相关性和直接回答搜索问题的能力,验证生成结果的可靠性和贡献来源的可信度,实现了在 LLM 时代的 “PageRank”。该框架包括生成器、验证器和优化器三个核心模块,分别关注生成可信任的在线来源、验证来源可靠性以及优化不可靠的来源。通过广泛的实验和评估,证明了我们方法在相关性、负责性和可信性上对多种最先进方法的优越性。
Oct, 2023
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。
本文提出一种利用搜索引擎对大型语言模型进行网络增强的方法,通过自适应搜索引擎辅助学习和基于重要区间预测的连续知识学习任务,使模型在各种知识密集型任务中的性能表现显著优于基于检索的增强方法。
多模态搜索系统结合图像和文本,通过增强匹配能力、推理能力和上下文感知的查询解析和重写,提供用户与其搜索意图自然有效的交互。在 Fashion200K 数据集上,我们引入了一种新颖的多模态搜索模型,并提出了结合大型语言模型的搜索界面,以实现与用户的对话式互动和上下文考虑的搜索体验的升级,为购物助手提供了类人交互和全面的搜索体验。
Apr, 2024