- 基于分析洞察引擎的端到端文本到 SQL 生成
通过大型语言模型驱动的我们的文本到 SQL 生成管道的设计和实现解决了数据分析师高复杂度 SQL 查询的支持、低延迟的即席查询需求，以及对领域特定术语和实践的理解的挑战。
- BlendFilter：通过查询生成融合和知识过滤推进检索增强大型语言模型
BlendFilter 是一种新颖的方法，通过整合查询生成和知识过滤，提升检索增强的大规模语言模型（LLMs）的效果，实验证明其在开放域问答中显著超越了现有方法。
- AAAI在互动约束获取中学习学习
通过使用概率分类模型指导交互式约束获取，以生成更有前景的查询，本研究通过收缩约束获取与机器学习的联系来缓解查询数量的限制。在不同分类器的实验评估中，本方法远超过现有技术，减少了收敛所需的查询数量最多达 72%。
- 基于 LLM 的提示修改和用户反馈的交互式查询生成助手
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。
- EMNLP面向开放领域知识驱动对话的社交常识引导搜索查询生成
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。
- 引导式自下而上交互式约束获取
本文提出了两种新的方法以改善 Constraint Acquisition（CA）系统中查询效率的瓶颈问题，分别是减少用户等待时间的 bottom-up 方法和基于概率的查询生成算法，实验结果表明这些方法可以将查询数减少高达 60%。
- 使用差分隐私大型语言模型生成合成查询的保护隐私推荐系统
该研究提出了一种新方法，使用差分隐私的大型语言模型开发隐私保护的大规模推荐系统，其方法可以通过在一个查询生成任务中微调预训练的 LLM 模型，生成私有的合成查询以供下游非私有推荐训练使用，同时不会增加任何额外的隐私成本，其在有效的深度检索模 - Promptagator: 从 8 个示例实现少样本密集检索
本文提出了基于大语言模型的 Few-shot Dense Retrieval 任务中 Prompt-based Query Generation for Retriever (Promptagator) 方法，利用少量任务单独的知识生成具有 - 通过查询生成实现信息对话生成中的动态知识检索
为了实现对话系统的智能回答，文中设计了 DRKQG，该系统能够根据上下文信息，在没有提前准备知识库的情况下通过搜索引擎检索相关知识，并利用生成模块同时考虑上下文信息和检索知识生成回答，实验结果表明，该模块在自动评估和人工评估两方面取得了优异 - 一种用于文档检索的神经语料库索引器
本文研究介绍了一种基于神经网络领域的全端到端文档检索方法，通过采用特定的技术，包括查询生成、语义文档标识符和基于一致性的规则化，并引入前缀感知、权重适应解码器架构，NCI（神经语料库索引器）可以直接生成相关文档标识符以实现课题回忆的最佳表现 - ACLEVOQUER: 通过视频相关的反向查询生成增强时间定位
本文提出了一种时间定位框架 EVOQUER，它结合了文本视频定位模型和视频辅助查询生成网络，从而实现了查询 - 视频结合的闭环学习，并在两种流行数据集上进行实验，显示出较好的性能提升和错误分析方法。
- ICCV针对引用分割的视觉语言变换器和查询生成模型
本文针对有挑战性的指称分割任务，利用注意力机制、多头注意力、查询生成模块和查询平衡模块等技术，构建了一种轻量级的网络架构来解决任务，并在 RefCOCO、RefCOCO + 和 G-Ref 三个数据集上实现了新的最高性能。