ToolRerank：用于工具检索的自适应与层级感知重排序
信息检索
2024-06-12 v1
摘要
工具学习旨在利用外部工具扩展大型语言模型（LLM）的能力。工具学习的一个主要挑战是如何支持大量工具，包括未见过的工具。为应对这一挑战，先前的研究提出了基于用户查询为 LLM 检索合适工具的方法。然而，先前提出的方法既未考虑已见工具与未见工具之间的差异，也未考虑工具库的层级结构，这可能导致工具检索性能次优。因此，为解决上述问题，我们提出了 ToolRerank，一种用于工具检索的自适应且层级感知的重排序方法，以进一步优化检索结果。具体而言，我们提出的 ToolRerank 包括自适应截断（Adaptive Truncation），即在不同位置截断与已见和未见工具相关的检索结果；以及层级感知重排序（Hierarchy-Aware Reranking），使单工具查询的检索结果更集中，多工具查询的检索结果更多样。实验结果表明，ToolRerank 能提高检索结果的质量，从而产生由 LLM 生成的更佳执行结果。
引用
@article{arxiv.2403.06551,
title = {ToolRerank: Adaptive and Hierarchy-Aware Reranking for Tool Retrieval},
author = {Yuanhang Zheng and Peng Li and Wei Liu and Yang Liu and Jian Luan and Bin Wang},
journal= {arXiv preprint arXiv:2403.06551},
year = {2024}
}
备注
This paper is accepted for LREC-COLING 2024