生成式大語言模型在搜索領域的突破與應用_第1頁
生成式大語言模型在搜索領域的突破與應用_第2頁
生成式大語言模型在搜索領域的突破與應用_第3頁
生成式大語言模型在搜索領域的突破與應用_第4頁
生成式大語言模型在搜索領域的突破與應用_第5頁
已閱讀5頁，還剩62頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權，請進行舉報或認領

文檔簡介

研究課題涵蓋語義搜索、長上下文建模、代碼檢索和推薦系統(tǒng)去偏等多個領域。我的研究工作目錄目錄無法獲取上下文句子級語義t優(yōu)點：效率高、可預計算缺點：準確性低、泛化能力弱優(yōu)點：準確性高、快速適配新領域缺點：效率低、難以應用ZihanLiaoet.al,2024.D2LLM:Decom?我們?yōu)?我們?yōu)閷ΨQ與非對稱搜索任務設計?計算LLM回復的嵌入表示y以及“yes”Yi=LN(?+FFN(?))Yi=LN(?+FFN(?))可學習的query向量ygg=PMAq負例和難負例。對應設計兩個損失：來實現(xiàn)知識遷移：2LFI=lri丁risl22?D2LLM相比最佳基線方法提高了10%-21%。考慮到教師LLM-ce并未專門針對STS進行微調(diào)。我們使用相同的訓練集對STS域的教師模型進行了微調(diào)（得到了LLM-ce-ft）。?對0.3M數(shù)據(jù)進行微調(diào)后，教師模型的平均性能提升了基于T2Retrieval數(shù)據(jù)集進行實驗，約10w條段落?與雙編碼器相比，D2LLM僅略微增加了基于T2Retrieval數(shù)據(jù)集進行實驗，約10w條段落?與雙編碼器相比，D2LLM僅略微增加了基于T2Retrieval數(shù)據(jù)集進行實驗，約10w條段落?與雙編碼器相比，D2LLM僅略微增加了實現(xiàn)了效率與效果的平衡！評估各個蒸餾目標的重要性評估PMA的重要性評估IEM的重要性評估教師模型參數(shù)大小的影響?語義復雜性?代碼不僅需要遵循嚴格的語法規(guī)則，還包含豐富的語義關系?多語言支持?不同的編程語言有不同的語法和標準庫，導致代碼嵌入模型需要在多語言間具有很好的?精度與存儲壓縮的平衡?保持精度的條件下盡可能減小嵌入維度優(yōu)點：效率高、可預計算缺點：準確性低、泛化能力弱優(yōu)點：基座LLM潛力高缺點：表示質(zhì)量差，存儲壓力大?采用PMA模塊進行句子級語義聚合?魔改PMA實現(xiàn)維度壓縮yigg=PMAqYi=LN(?+FFN(?))?跨卡選取in-batch負樣本，增大負例數(shù)量對比現(xiàn)有Bert/T5/GPT類代碼嵌入方法，我們在絕大多數(shù)情況下達到sota性能兼顧代碼塊全局語義理解并整合跨文件依賴關系

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論