arXiv cs.AI· Seiya Kawano, Koji Marusaki, Hirofumi Nonaka, Koichiro Yoshino·· 4 小时前AI 评分26
从搜索反馈中教语言模型收窄布尔专利检索
Teaching Language Models to Narrow Boolean Patent Searches from Search Feedback
AI 导读
研究将 38,397 份日本专利局检索报告蒸馏为可执行的专家策略,并据此训练生成器收窄布尔检索式。行级“保留引用的收窄信用”在筛选指标上优于策略级评分,迭代后把含引用的中位结果集从 768 篇压到 50 篇以内,使更多引用落入 100 篇以下的集合,但召回率低于专家;策略级偏好学习则接近完整召回,两种方式互补。
正文 · AI 翻译
摘要:专利现有技术检索人员逐行构建布尔查询,先放宽以找到相关文献,再收窄直到候选文献可被筛选。我们将 38,397 份日本特许厅检索报告提炼为可执行的专家策略,重新执行这些策略,并通过引用召回率以及包含每条引用的最小集合来评估生成的策略。经提示的模型能写出有效、高召回的策略,但会把引用留在过大的集合中而无法筛选。我们以两种形式从带评分的 rollout 中离线适配生成器:基于筛选感知策略得分的策略级学习,以及基于保留引用的收窄信用的行级学习,后者会提高那些使已找到引用保留在更小集合中的查询行的权重。在共享 rollout 上,行级信用在筛选指标上优于策略级得分;迭代后,它将包含引用的集合中位数从 768 降至 50 以下,并在召回率较低的情况下,将更多引用放入少于 100 篇文献的集合中,数量超过专家。策略级偏好学习达到接近完全的召回;这两种形式互为补充。
| 评论: | 13 页,3 幅图,3 张表。已被 NLPIR 2026 接收 |
| 主题: | 信息检索(cs.IR);人工智能(cs.AI);计算与语言(cs.CL) |
| 引用为: | arXiv:2611.22270 [cs.IR] |
| (或 arXiv:2611.22270v1 [cs.IR] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.22270 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Seiya Kawano [查看邮箱]
[v1]
2026 年 11 月 17 日星期二 06:17:43 UTC(91 KB)
来源:arXiv cs.AI · arxiv.org