研究者用专利局检索报告教语言模型收窄布尔检索式
热点事件持续更新
研究者用专利局检索报告教语言模型收窄布尔检索式
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Kawano 等研究者发布论文(已被 NLPIR 2026 接收),将 38,397 份日本专利局检索报告提炼为可执行的专家布尔检索策略,针对提示词模型检索召回高但候选集过大的问题,提出策略级与行级两种离线学习方法,并以引用召回率和最小候选集评估生成策略。 结果显示两条路线互补:迭代反馈将中位含引用候选集从 768 缩至 50 以下,在 100 篇以内集合中的引用覆盖超过专家,但召回更低;策略级偏好学习则接近完全召回,行级信用在筛选指标上更优。
AI 根据报道生成 · 59 分钟前更新
最新进展11月18日 13:00
从检索反馈教语言模型收窄布尔专利检索式报道时间线
沿着报道,了解事件的不同侧面。
11月18日
- arXiv cs.AI从检索反馈教语言模型收窄布尔专利检索式
研究者将 38,397 份日本专利局检索报告提炼为可执行的专家布尔检索策略,并用引用召回率和最小候选集评估生成策略。针对提示词模型检索召回高但候选集过大的问题,论文提出策略级与行级两种离线学习方法,行级信用在筛选指标上更优。迭代后中位含引用候选集从 768 缩至 50 以下,策略级偏好学习则接近完全召回,两者互补。
本事件热度走势
还没有足够的连续观测数据,暂不绘制趋势。