Computation and Language,Artificial Intelligence,Machine Learning,محاسبه و زبان , هوش مصنوعی , یادگیری ماشین ,
توضیحات
Submitted 12 September, 2024; originally announced September 2024. , Comments: 8 pages, 4 figures. For related code and data, see this https://github.com/wbsg-uni-mannheim/TailorMatch , MSC Class: 68T50 ACM Class: I.2.7
توضیحات به فارسی
ارسال شده 12 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: 8 صفحه ، 4 شکل.برای کد و داده های مرتبط ، به این https://github.com/wbsg-uni-mannheim/tailormatch ، کلاس MSC: کلاس 68T50 ACM: I.2.7 مراجعه کنید.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
Generative large language models (LLMs) are a promising alternative to pre-trained language models for entity matching due to their high zero-shot performance and their ability to generalize to unseen entities. Existing research on using LLMs for entity matching has focused on prompt engineering and in-context learning. This paper explores the potential of fine-tuning LLMs for entity matching. We analyze fine-tuning along two dimensions: 1) The representation of training examples, where we experiment with adding different types of LLM-generated explanations to the training set, and 2) the selection and generation of training examples using LLMs. In addition to the matching performance on the source dataset, we investigate how fine-tuning affects the model's ability to generalize to other in-domain datasets as well as across topical domains. Our experiments show that fine-tuning significantly improves the performance of the smaller models while the results for the larger models are mixed. Fine-tuning also improves the generalization to in-domain datasets while hurting cross-domain transfer. We show that adding structured explanations to the training set has a positive impact on the performance of three out of four LLMs, while the proposed example selection and generation methods only improve the performance of Llama 3.1 8B while decreasing the performance of GPT-4o Mini.
چکیده به فارسی (ترجمه ماشینی)
مدل های بزرگ زبان (LLMS) یک جایگزین امیدوار کننده برای مدل های زبان از قبل آموزش دیده برای تطبیق موجودیت به دلیل عملکرد صفر بالا و توانایی آنها در تعمیم در موجودات غیب است.تحقیقات موجود در مورد استفاده از LLMS برای تطبیق موجودیت بر مهندسی سریع و یادگیری درون متن متمرکز شده است.در این مقاله به بررسی پتانسیل LLM های تنظیم دقیق برای تطبیق موجودیت می پردازیم.ما تنظیم دقیق را در طول دو بعد تجزیه و تحلیل می کنیم: 1) بازنمایی نمونه های آموزشی ، جایی که با اضافه کردن انواع مختلف توضیحات تولید LLM به مجموعه آموزش ، و 2) انتخاب و تولید نمونه های آموزش با استفاده از LLMS آزمایش می کنیم.علاوه بر عملکرد تطبیق یافته در مجموعه داده های منبع ، ما بررسی می کنیم که چگونه تنظیم دقیق بر توانایی مدل در تعمیم سایر مجموعه داده های دامنه و همچنین در حوزه های موضعی تأثیر می گذارد.آزمایشات ما نشان می دهد که تنظیم دقیق عملکرد مدل های کوچکتر را به طور قابل توجهی بهبود می بخشد در حالی که نتایج مدل های بزرگتر مخلوط می شوند.تنظیم دقیق همچنین باعث افزایش تعمیم در مجموعه داده های دامنه می شود و در حالی که به انتقال متقابل آسیب می رساند.ما نشان می دهیم که اضافه کردن توضیحات ساختاری به مجموعه آموزش تأثیر مثبتی بر عملکرد سه از چهار LLM دارد ، در حالی که روش های انتخابی و تولید نمونه پیشنهادی فقط عملکرد Llama 3.1 8b را بهبود می بخشد و در عین حال عملکرد GPT-4O MINI را کاهش می دهد.
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
