TL;DR
- چکیده:.
- رتبهبندی مجدد متن بر اساس LLM به دلیل اثربخشی آن در رتبهبندی متنهای نامزد مورد.
- توجه قرار گرفته است.
چه اتفاقی افتاد
چکیده:. رتبهبندی مجدد متن بر اساس LLM به دلیل اثربخشی آن در رتبهبندی متنهای نامزد مورد.
توجه قرار گرفته است. با این حال،.
این مدلها از تعصب موقعیتی رنج میبرند،. جایی که مسیرهایی که به سمت انتهای ورودی قرار میگیرند کمتر به موقعیتهای برتر در رتبهبندی منتقل میشوند.
ما فرض میکنیم که دو منبع اصلی سوگیری موقعیتی وجود دارد:. (1) سوگیری معماری ذاتی در LLMها و (2) موقعیتیابی نامتعادل اسناد مربوطه.
برای پرداختن به این موضوع،. ما DebiasFirst را پیشنهاد میکنیم،.
روشی که کالیبراسیون موقعیتی و تقویت دادههای آگاه از موقعیت را در طول تنظیم دقیق یکپارچه میکند. کالیبراسیون موقعیتی از امتیازدهی گرایش معکوس برای تنظیم سوگیری موقعیتی با وزن دادن مجدد سهم موقعیتهای مختلف در.
تابع ضرر هنگام تمرین استفاده میکند. Augmentation-Aware دادههای آموزشی را افزایش میدهد تا اطمینان حاصل شود که هر قسمت ظاهر میشود.
بهطور مساوی در موقعیتهای مختلف در لیست ورودی. این رویکرد بهطور قابل توجهی هم اثربخشی و هم استحکام را در رتبهبندی اصلی در بین رتریورهای.
مختلف مرحله اول افزایش میدهد و وابستگی عملکرد NDCG@10 به موقعیت اسناد مربوطه را کاهش میدهد. DebiasFirst همچنین روشهای انحرافی مرحله استنتاج را تکمیل میکند و راهحلی عملی برای کاهش تعصب موقعیتی در رتبهبندی.
مجدد ارائه میدهد. بازیابی اطلاعات (cs.
IR) استناد بهعنوان: (یا v1 [cs. IR] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Jingfen Qiao [مشاهده ایمیل] [v1] شنبه،.
4 آوریل 2026،. 08:.
40:. 57 UTC (2,.
838 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.