اکسپرس 24
ترجمه فارسی مقاله بازیابی مولد با نمایه‌سازی چند مرحله‌ای

ترجمه فارسی مقاله بازیابی مولد با نمایه‌سازی چند مرحله‌ای

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Generative Retrieval with Few-shot Indexing
عنوان مقاله به فارسی بازیابی مولد با نمایه‌سازی چند مرحله‌ای
نویسندگان Arian Askari, Chuan Meng, Mohammad Aliannejadi, Zhaochun Ren, Evangelos Kanoulas, Suzan Verberne
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
دسته بندی موضوعات Information Retrieval,Artificial Intelligence,Computation and Language,Machine Learning,بازیابی اطلاعات , هوش مصنوعی , محاسبات و زبان , یادگیری ماشین ,
توضیحات Submitted 4 August, 2024; originally announced August 2024. , ACM Class: H.3.3
توضیحات به فارسی ارسال شده در 4 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، کلاس ACM: H.3.3

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 320,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Existing generative retrieval (GR) approaches rely on training-based indexing, i.e., fine-tuning a model to memorise the associations between a query and the document identifier (docid) of a relevant document. Training-based indexing has three limitations: high training overhead, under-utilization of the pre-trained knowledge of large language models (LLMs), and challenges in adapting to a dynamic document corpus. To address the above issues, we propose a novel few-shot indexing-based GR framework (Few-Shot GR). It has a novel few-shot indexing process, where we prompt an LLM to generate docids for all documents in a corpus, ultimately creating a docid bank for the entire corpus. During retrieval, we feed a query to the same LLM and constrain it to generate a docid within the docid bank created during indexing, and then map the generated docid back to its corresponding document. Few-Shot GR relies solely on prompting an LLM without requiring any training, making it more efficient. Moreover, we devise few-shot indexing with one-to-many mapping to further enhance Few-Shot GR. Experiments show that Few-Shot GR achieves superior performance to state-of-the-art GR methods that require heavy training.

چکیده به فارسی (ترجمه ماشینی)

رویکردهای بازیابی تولیدی موجود (GR) به نمایه سازی مبتنی بر آموزش متکی هستند ، یعنی تنظیم دقیق یک مدل برای به یاد آوردن ارتباط بین یک پرس و جو و شناسه سند (DOCID) یک سند مربوطه.نمایه سازی مبتنی بر آموزش دارای سه محدودیت است: سربار آموزش بالا ، زیر استفاده از دانش از پیش آموزش دیده از مدلهای بزرگ زبان (LLM) و چالش های سازگاری با یک سند سند پویا.برای پرداختن به موضوعات فوق ، ما یک چارچوب GR مبتنی بر فهرست بندی چند شات (چند شات GR) را پیشنهاد می کنیم.این یک فرآیند فهرست بندی چند شات جدید دارد ، جایی که ما یک LLM را برای تولید اسناد برای همه اسناد در یک جسد و در نهایت ایجاد یک بانک Docid برای کل جسد می کنیم.در حین بازیابی ، ما یک پرس و جو را به همان LLM تغذیه می کنیم و آن را محدود می کنیم تا یک DOCID را در بانک DocID ایجاد شده در هنگام فهرست بندی ایجاد کنیم و سپس DocID تولید شده را به سند مربوطه خود برگردانیم.چند شات GR فقط به ایجاد LLM بدون نیاز به آموزش متکی است و آن را کارآمدتر می کند.علاوه بر این ، ما نمایه سازی چند شات را با نقشه برداری یک به یک به چندین مورد ابداع می کنیم تا بیشتر GR چند شات را تقویت کنیم.آزمایشات نشان می دهد که چند شات GR به روشهای پیشرفته GR که نیاز به آموزش سنگین دارند ، عملکرد برتر را به دست می آورد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.