生成式人工智能搜索中敏感用户查询的分类和分析
使用大型语言模型通过生成用户意图分类法来分析网页日志数据中的用户意图,以人为验证确保分类质量,并实现了一个可扩展和适应性强的方法,从搜索和聊天日志中发现用户意图的新见解。
Sep, 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
基于 Bing Copilot(Bing 聊天)的实证分析结果显示,人们使用生成式搜索引擎进行更高认知复杂度的知识工作任务,相较于传统搜索引擎。
Mar, 2024
该研究论文介绍了一种新的搜索界面,支持对单语或多语言文档集合进行自动生成查询,并通过用户反馈来优化查询,从而解决用户在查询表达方面的困难。
Nov, 2023
本研究提出了一种利用大型语言模型(LLM)应用架构实现生成式人工智能服务的方法,通过利用生成式人工智能技术的最新进展,研究解决了信息匮乏的挑战,并通过利用 LLM 功能提出了具体的解决方案。研究探讨了缓解数据不足问题的策略,提供了量身定制的解决方案。通过实施检索增强生成(RAG)模型来解决上述挑战是工作的一个重要贡献,该模型被精心设计用于增强信息存储和检索过程,以确保改进的内容生成。本研究阐明了以 RAG 模型为基础的信息存储和检索方法的关键阶段,对这些步骤进行了全面分析,强调了它们在解决数据匮乏方面的重要性。研究突出了所提出方法的有效性,通过示例展示了其在实践中的适用性。通过实施 RAG 模型进行信息存储和检索,本研究不仅对生成式人工智能技术有了更深入的理解,而且还促进了利用 LLM 的企业内部的实际应用。这项工作在推进生成式人工智能领域,提供改进基于数据的内容生成以及促进企业内部利用 LLM 服务方面具有重要价值。
Sep, 2023
通过整合主题跟踪、常识回答生成和指令驱动的查询生成,我们的研究提出了一种新的方法来生成由社交常识引导的互联网搜索查询,在 passsive 用户交互中能够生成相关、具体和有吸引力的搜索查询,从而提供更加引人入胜的回应。
Oct, 2023
该研究综述了新兴的信息系统中增强搜索和推荐领域中的生成式搜索和推荐模型,并从一个统一的角度总结了该领域的发展,提出了独特挑战、未解问题和未来发展方向,展望下一个信息需求模式。
Apr, 2024
利用大型语言模型(LLM)创建产生式人工智能虚拟场景,通过招募真实用户评估体验,收集反馈以便在早期设计阶段进行快速迭代,本研究以空中出租车为案例研究,使用 OpenAI 的 GPT-4 模型和人工智能图像、视频生成器设计了虚拟空中出租车,经过 72 名参与者的评估,LLM 展示了识别和建议显著改善参与者对空中出租车态度的环境的能力,研究还确认了产生式人工智能支持用户研究的能力,为早期设计阶段的空中出租车用户体验设计提供了可行的方法和有价值的见解。
Jun, 2024
本文提出了一种使用大语言模型的通用交互式查询重写框架,旨在提高透明性和意图理解能力,并改变传统的意图理解方法;在初步实验的支撑下,通过自然语言表达、交互和推理机器意图,取得了显著的排序性能提升。
Jun, 2023