تولید افزوده بازیابی (RAG)
تولید افزوده بازیابی (RAG) یک خط لوله پردازش زبان طبیعی است که توسط لوئیس و همکاران در سال ۲۰۲۰ معرفی شد و یک مدل زبان بزرگ (LLM) را با شواهدی که در زمان استنتاج از یک پایگاه دانش خارجی بازیابی میشود، تقویت میکند. به جای اتکا صرف به آنچه یک مدل در طول آموزش به خاطر سپرده است، RAG ابتدا مرتبطترین بخشها را از یک نمایهنامه اسناد بازیابی کرده و سپس آن بخشها را به عنوان زمینه به LLM ارائه میدهد و پاسخ تولید شده را بر اساس اطلاعات قابل تأیید و بهروز بنا مینهد. این رویکرد توهم را کاهش میدهد و اجازه میدهد دانش خاص دامنه یا حساس به زمان بدون نیاز به بازآموزی مدل تزریق شود.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
منابع
- Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems (NeurIPS), 33, 9459-9474. DOI: 10.48550/arXiv.2005.11401 ↗
- Gao, Y. et al. (2023). Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv preprint. DOI: 10.48550/arXiv.2312.10997 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Retrieval-Augmented Generation (RAG). ScholarGate. https://scholargate.app/fa/text-mining/retrieval-augmented-generation
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- BERT Embeddingsمتنکاوی↔ compare
- تنظیم دقیق BERTیادگیری عمیق↔ compare
- ساخت گراف دانش از متنمتنکاوی↔ compare
- پاسخگویی به پرسش (QA)متنکاوی↔ compare
- توجه به خود چند-سرییادگیری عمیق↔ compare
- خلاصهسازی متنمتنکاوی↔ compare
- ترنسفورمر (پردازش زبان طبیعی)یادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →