KAIST AI研究人员介绍了KTRL+F：一种知识增强的文档内搜索任务，需要实时在文档中识别语义目标
KAIST AI研究人员推出KTRL+F：一种强化信息的实时文档内搜索任务，帮助识别语义目标
“`
KTRL+F任务是一个知识增强的文档内搜索问题，需要实时在文档中识别语义目标，并通过一个自然查询引入外部知识。现有模型面临幻觉、低延迟和难以利用表面知识等挑战。为解决这些问题，韩国科学技术院（KAIST AI）和三星研究提出了一种知识增强短语检索模型，在速度和性能之间取得了平衡。
与传统的机器阅读理解任务不同，KTRL+F评估模型的能力不仅基于其利用所提供上下文之外的信息的能力。所提出的模型通过将外部知识嵌入到短语嵌入中，有效地平衡了速度和性能。该模型增强了上下文知识，使得能够准确和全面地搜索和检索文档，提高了信息访问能力。
KTRL+F解决了传统词法匹配工具和机器阅读理解的局限性。它专注于在文档中实时识别语义目标，通过一个自然查询利用外部知识。评估指标评估模型找到所有语义标记的能力，利用外部命令的能力以及实时操作的能力。KTRL+F旨在通过改进文档内搜索能力来提高信息访问效率。
KTRL+F解决了实时识别语义目标的挑战。该模型通过将外部知识嵌入到短语嵌入中，平衡了速度和性能。使用List EM、List Overlap F1和鲁棒性评分等指标分析了各种基线模型，包括生成、摘录和检索模型。评估了外部知识的融入情况，并通过用户研究验证了通过解决KTRL+F实现的增强搜索体验。
生成基线有效地利用了预训练的语言模型，但扩展容量有时只能改善性能。另一方面，提取式基线SequenceTagger由于无法使用外部知识而需赶上发展。所提出的模型在短语嵌入中增加了表面知识的嵌入，从而平衡了速度和性能。用户研究证实用户可以通过该模型减少搜索时间和查询次数，验证了模型在增强搜索体验方面的有效性。
总之，KTRL+F引入了一项知识增强的文档内搜索任务，并提出了一种知识增强短语检索模型。该模型通过增加外部知识的嵌入来有效地平衡速度和性能。KTRL+F的可伸缩性和实用性为未来的信息检索和知识增强提供了机会。
未来的研究方向包括探索一种端到端可训练的架构，用于实时处理，将外部知识检索和整合到可搜索的索引中。还建议将KTRL+F扩展至包括及时知识，如新闻，并通过比较具有不同实体链接器的模型来研究高质量表面知识的重要性。此外，还建议进一步评估所提出模型中的知识聚合设计，并进行其他实验以了解KTRL+F中基线模型及其局限性。
“`
