研究人员开发了一种名为SAFE-QE的新方法，以解决大型语言模型（LLM）在查询扩展过程中产生的幻觉术语问题。这种无需训练、检索器无关的方法可以识别并降低因占主导地位的幻觉关联而非实际语料库支持而出现的术语的权重。通过平衡一致性和广度，SAFE-QE旨在通过减少噪声而不牺牲排名质量来改进信息检索，这在TREC和BEIR基准集合上得到了证明。 AI
影响 这项研究提供了一种提高LLM生成查询扩展可靠性的方法，有望带来更准确的信息检索系统。
排序理由 该集群描述了一种在学术论文中提出的用于改进LLM查询扩展的新方法。
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2610.13810v1 Announce Type: cross Abstract: Large language models (LLMs) are now a standard source of query expansion terms but they hallucinate. They inject non existent entities and off-topic terms that add ranking noise and can hurt strong retrievers. Existing remedies s…
Large language models (LLMs) are now a standard source of query expansion terms but they hallucinate. They inject non existent entities and off-topic terms that add ranking noise and can hurt strong retrievers. Existing remedies such as corpus grounding, mutual verification and p…