论文详述用于结构化知识检索和推理的人工智能

本论文介绍了一种将非结构化领域特定文本转化为结构化知识以进行检索和推理的新型架构。它提出了二元出血（Binary Bleed），一种用于非负矩阵分解（NMF）的自适应二元搜索方法，以及具有自动潜在特征选择（HNMFk）的分层NMF，用于深度自适应主题建模。这些方法填充了知识图谱和向量存储，实现了张量结构化检索增强生成（T-SRAG），以实现动态查询路由和提高语义保真度。在网络安全、法律、材料科学和医疗保健领域的应用证明了检索精度、趋势检测和幻觉缓解能力的提高。 AI

影响 引入了提高专业领域人工智能系统的准确性和可解释性的方法。

排序理由 该条目是arXiv预印本，详细介绍了人工智能驱动的知识检索和推理的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.IR (Information Retrieval) 阅读 →

• alphaXiv
• Binary Bleed
• CatalyzeX Code Finder for Papers
• Connected Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hierarchical NMF with automatic latent feature selection
• HNMFk
• Hugging Face
• Influence Flower
• knowledge graph
• Litmaps
• non-negative matrix factorization
• ScienceCast
• scite Smart Citations
• Tensor-Structured Retrieval-Augmented Generation
• T-SRAG
• vector database

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →