企业宣传,产品推广,广告招商,广告投放联系seowdb

RAG RAU 对检索增强型语言模型 RALM 进行全面 深入综述

大型语言模型(LLMs)在自然语言处理(NLP)领域促进了重大进展,但它们也面临着诸如幻觉和需要特定领域知识等挑战。为了缓解这些问题,最近的一些方法将从外部资源检索到的信息与LLMs相结合,显著提高了它们在NLP任务中的表现,但是缺乏对检索增强型语言模型(RALM)全面概述。

因此,对包括检索增强生成(RAG)和检索增强理解(RAU),提供了对它们的范式、演变、分类和应用的深入、全面综述。

图1:RALM研究总体概述

一、RALM是什么?

顺序单次交互:检索器找到与输入最相关的文档,然后语言模型接收这些文档和输入,产生输出。

顺序多次交互:在长对话生成和解决多跳问题时,可能需要在语言模型和检索器之间进行多次交互。

并行交互:检索器和语言模型独立工作,输出通过加权插值确定。

图2:检索器与语言模型交互的三种不同方式

图3:三种交互类型的路线图。紫色区域代表顺序交互 RALM 模型的工作,红色框表示顺序多次交互 RALM 模型的工作,黄色区域指示并行交互RALM模型的工作。​

二、检索器(Retriever)

检索增强语言模型(RALM)中检索器(Retriever)的作用和分类:

稀疏检索(Sparse Retrieval):依赖于简单的术语匹配,如TF-IDF和BM25算法,适用于基于知识的检索任务。

密集检索(Dense Retrieval):使用深度学习技术,通过双编码器架构生成密集的嵌入向量,以提高检索的准确性。

互联网检索(Internet Retrieval):利用互联网搜索技术,允许非专业人士使用RALM,适合开放领域和泛化。

混合检索(Hybrid Retrieval):结合不同检索技术的优势,以提高RALM架构的有效性和鲁棒性。

RALM工作中检索器的总结

三、语言模型(Language Model, LM)

检索增强语言模型(RALM)中语言模型(Language Model, LM)的作用和分类:

自编码器语言模型(AutoEncoder Language Model):这类模型通过无监督学习来捕捉输入文本的关键特征,常用于理解任务。

自回归语言模型(AutoRegressive Language Model):这些模型旨在预测下一个词,基于前面的词,适用于生成任务,如对话生成和机器翻译。

编码器-解码器语言模型(Encoder-Decoder Language Model):这类模型使用编码器-解码器架构来处理文本,适用于需要同时理解源文本和生成目标文本的任务。

RALM方法中的语言模型总结​

四、增强组件(RALM Enhancement )

如何通过增强组件来提升检索增强语言模型(RALM)的输出质量?

RALM增强方法的分类​

五、数据源(Data Sources)

检索增强语言模型(RALM)中使用的常见数据源,并根据数据的结构化程度对它们进行了分类:

RALM数据源的分类

六、应用(Applications)

检索增强语言模型(RALM)在自然语言处理(NLP)中的各种应用:

RALM应用的分类

七、评估方法与基准(Evaluation)

检索增强语言模型(RALM)的评估方法和基准:

RALM中评估方法的总结

八、局限性与未来展望(Evaluation)

检索增强语言模型(RALM)目前面临的一些限制:

当前RALM模型的局限性和未来展望的总结

RAG and RAU: A Survey on Retrieval-Augmented Language Model in Natural Language Processing

本文转载自​​,作者:

© 版权声明
评论 抢沙发
加载中~
每日一言
不怕万人阻挡,只怕自己投降
Not afraid of people blocking, I'm afraid their surrender