URL：通过任务指令表示压缩实现通用参考知识链接
计算与语言
2024-04-26 v1 人工智能
摘要
将声明与有根据的参考文献联系起来是满足人类对真实可靠信息需求的关键能力。当前研究局限于特定任务，如信息检索或语义匹配，其中声明-参考文献关系是唯一且固定的，而现实世界中的参考知识链接(RKL)可能更加多样和复杂。在本文中，我们提出通用参考知识链接(URL)，旨在通过一个统一模型解决多样化的参考知识链接任务。为此，我们提出了一种LLM驱动的任务指令表示压缩，以及一种多视图学习方法，以有效适应LLM的指令遵循和语义理解能力到参考知识链接。此外，我们还构建了一个新的基准来评估模型在不同场景下参考知识链接任务的能力。实验表明，通用RKL对现有方法具有挑战性，而所提出的框架可以有效地解决各种场景下的任务，因此大幅优于以前的方法。
引用
@article{arxiv.2404.16248,
title = {URL: Universal Referential Knowledge Linking via Task-instructed Representation Compression},
author = {Zhuoqun Li and Hongyu Lin and Tianshu Wang and Boxi Cao and Yaojie Lu and Weixiang Zhou and Hao Wang and Zhenyu Zeng and Le Sun and Xianpei Han},
journal= {arXiv preprint arXiv:2404.16248},
year = {2024}
}