机构名称：
¥ 1.0
大语言模型（LLM）的出现导致信息检索（IR）技术的显着进步，从而发展了方法，例如检索授权生成（RAG）和产生增强的检索（GAR）[4]。这些方法利用了先进的生成能力和对LLM的深刻语义理解来提高信息系统的精确性和效果。检索增强发电（RAG）旨在提高LLMS产生的响应的可靠性[5]。通过在推理过程中动态检索和集成外部信息，RAG试图将模型的响应锚定在验证内容中。此方法解决了“ hal-lucined”信息的问题，即LLMS生成的综合但实际上不正确的内容。抹布的成功取决于模型有效地使用检索到的信息的能力，该信息依赖于外部来源的质量和完整性。相反，生成增强的检索（GAR）试图通过利用LLM的生成能力来改善搜索结果。gar采用这些模型来扩展和重新搜索查询或增强文档代表[2] [6]，从而更好地将用户查询与文档语料库保持一致。此方法不仅增加了搜索结果的相关性，而且还扩大了可响应复杂查询的内容范围。粗糙集已成功应用于Web挖掘（例如Web用法挖掘和网页分类）[1] [3]。我们期望粗糙的理论可以
生成信息检索：抹布和gar
主要关键词
相关文件推荐
