Retail-GPT:利用检索增强生成(RAG)构建电子商务聊天助手
该研究旨在研究ChatGPT在人本设计过程中的能力,通过一个虚构的设计项目,证明ChatGPT可以表现为设计师、用户或产品,提高了用户体验,但是存在一定的局限性,为未来研究提供了参考方向。
Feb, 2023
结合ChatGPT和传统的基于信息检索的聊天机器人框架,提供优化的高等教育学生支持,以解决LLMs在教育背景下生成错误、偏见或无用答案的挑战。
Dec, 2023
通过采用基于 RAG 的 RL 优化方法,使用信息熵损失函数构建了一个使用 FAQ 数据回答用户查询的聊天机器人,该模型在检索准确性和领域外查询检测方面表现显著优于通用公开嵌入模型,同时能实现成本节省和细微的准确性改善。
Jan, 2024
该研究介绍了一种利用生成型AI和检索增强生成(RAG)方法的聊天机器人模型,该模型旨在搜索与用户查询相关的指南文件并基于检索到的指南提供答案。通过比较实验,QA-RAG模型在准确性方面表现出显著提升,并超越了所有其他基线方法,包括传统的RAG方法。本文详细介绍了QA-RAG的结构和性能评估,并强调其在药品监管合规领域和其他领域的潜在应用。我们已将我们的工作公开提供以供进一步的研究和开发。
Jan, 2024
通过评估新兴的RAG-Fusion方法,本研究发现RAG-Fusion通过生成多个查询、使用互惠评分对其进行重新排名并融合文档和得分,从多个角度对原始查询进行了上下文化,使其能够提供准确和全面的答案。然而,在生成查询与原始查询关联度不足时,部分答案可能偏离主题。该研究在人工智能和自然语言处理应用中取得了重大进展,并展示了全球和多行业背景下的转变。
Jan, 2024
本文介绍了BARKPLUG V.2,一个基于大型语言模型(LLM)的聊天机器人系统,利用检索增强生成(RAG)流程提高学术环境下的用户体验和信息获取。该系统利用大学数据作为外部数据语料库,在领域特定的问答任务中吸收这些数据到我们的RAG流程中。我们使用定量测量方法,如检索增强生成评估(RAGAS)框架来评估我们的系统在密西西比州立大学作为案例研究时生成准确和相关回答的效果,并通过主观满意度调查,使用系统可用性量表(SUS)评估该系统的可用性。我们的系统在定量性能方面表现出色,平均RAGAS得分为0.96,并通过可用性评估得到验证。
May, 2024
该论文介绍了一种新型的多层LLM接口,用于协助超市机器人为顾客提供服务,并提出了使用多个经过细分调整的小型专用LLM来处理不同用户查询的方法,通过与GPT-4 Turbo相比较,实验结果表明多层LLM机器人在性能、用户满意度、用户-代理合作及自我形象等四个关键领域取得了显著改进,同时还提出了一种超市机器人导航的方法,使机器人能够根据聊天机器人的响应将产品引导到正确的货架上,然后通过更低级别的机器人知觉、控制和规划实现物品的自动检索。
Jun, 2024
基于我们对三个NVIDIA聊天机器人的经验,我们提出了一个构建基于RAG的聊天机器人的框架:包括FACTS框架、十五个RAG流水线控制点以及大型和小型LLMs之间精确度-延迟权衡的实证结果。据我们所知,这是第一篇提供了从综合视角看构建安全企业级聊天机器人的因素和解决方案的研究论文。
Jul, 2024
本研究探讨了对话系统中是否每次响应都需要外部知识增强的问题,填补了以往研究中缺乏明确控制的空白。我们提出了RAGate模型,通过分析人类判断,预测对话场景中是否需要增强,以提高响应质量。实验结果表明,RAGate能有效识别对话系统中适合进行检索增强的响应,显著提升生成自信度和回答质量。
Jul, 2024
本研究针对汽车行业文件处理中的挑战,优化了在低性能本地环境中部署的大型语言模型(LLMs)的检索增强生成(RAG)技术。通过多维优化方法和定制化类别的设计,我们显著提高了PDF处理、检索机制和上下文压缩的效果,特别是在汽车行业文档的处理上取得了显著进展,为汽车行业的智能生产和信息处理提供了有效解决方案。
Aug, 2024