利用翻译实现最优召回率：基于用户画像定制LLM个性化
信息检索
2024-02-22 v1 计算与语言
摘要
本文探索了一种新技术，通过基于用户词汇语义空间进行迭代查询细化，来提高跨语言信息检索（CLIR）系统的召回率。所提方法结合了多级翻译、基于语义嵌入的扩展和以用户画像为中心的增强，以应对用户查询与相关文档之间匹配方差的挑战。通过初始BM25检索、翻译成中间语言、相似词的嵌入查找以及迭代重排序，该技术旨在扩展针对个人用户个性化的潜在相关结果范围。在新闻和Twitter数据集上的对比实验表明，在ROUGE指标上，所提方法的性能优于基线BM25排序。翻译方法在多步骤过程中也保持了语义准确性。这种个性化的CLIR框架为改进关注用户语言细微差别的上下文感知检索铺平了道路。
引用
@article{arxiv.2402.13500,
title = {Leveraging Translation For Optimal Recall: Tailoring LLM Personalization With User Profiles},
author = {Karthik Ravichandran and Sarmistha Sarna Gomasta},
journal= {arXiv preprint arXiv:2402.13500},
year = {2024}
}
备注
This is just an initial idea and it's implementation. The results are computed for the first 100 data points. Detailed results will be published with the actual paper