实体
Generative Retrieval
Generative Retrieval
PulseAugur coverage of Generative Retrieval — every cluster mentioning Generative Retrieval across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的CRID方法增强生成式检索，提升电商GMV
研究人员开发了一种名为集群排序标识符（CRID）的新方法来改进生成式检索系统。CRID将文档标识符解耦为语义聚类和商业价值排名，这有助于避免冲突并将标识符的目标与业务目标对齐。在大型电子商务数据集上的实验表明，CRID的性能优于现有的基于嵌入的检索方法，并在全流量部署期间使商品交易总额（GMV）提高了1.06%。
-
新研究解决了生成式检索和多模态RAG中的失败问题
两篇新研究论文探讨了生成式检索（GR）和检索增强生成（RAG）系统的进展。第一篇论文介绍了一种GR失败模式的分类法和一个用于分析基于n-gram的方法（如SEAL和MINDER）的工具，识别出诸如模糊文档ID和低标识符多样性等问题。第二篇论文提出了UniversalRAG，一个旨在从跨越多种模态和粒度的异构源检索和整合知识的框架，解决了纯文本RAG的局限性，并提出了模态感知路由来克服“模态鸿沟”。
-
ThinkGR框架通过思维链推理增强生成式检索
研究人员开发了ThinkGR，一个将思维链（CoT）推理整合到生成式检索系统中的新颖框架。该方法允许在单一生成过程中进行迭代思考和文档识别，解决了处理复杂、多步查询的局限性。ThinkGR采用混合解码策略和两阶段训练方法，以连接自由形式的思维生成与结构化检索目标。实验表明，ThinkGR在四个多跳检索基准测试中取得了最先进的成果，平均性能提高了6.86%。