⏶11
SPAR：利用基于LLM的智能体增强学术搜索的学者论文检索
发表
由 
XiaofengShi 提交
XiaofengShi 提交作者: Xiaofeng Shi, Yuduo Li, Qian Kou, 
Longbin Yu, Jinxin Xie, Hua Zhou
Xiaofeng Shi, Yuduo Li, Qian Kou, Longbin Yu, Jinxin Xie, Hua Zhou摘要
大型语言模型（LLM）的最新进展为学术文献检索带来了新的机遇。然而，现有系统通常依赖僵化的管道，推理能力有限。我们引入了SPAR，一个多智能体框架，它结合了基于RefChain的查询分解和查询演化，以实现更灵活和有效的搜索。为了促进系统评估，我们还构建了SPARBench，这是一个具有专家注释相关性标签的具有挑战性的基准测试。实验结果表明，SPAR显著优于强大的基线，在AutoScholar上比最佳基线提高了高达+56%的F1分数，在SPARBench上提高了+23%的F1分数。SPAR和SPARBench共同为推进学术检索研究提供了一个可扩展、可解释、高性能的基础。代码和数据将在：https://github.com/xiaofengShi/SPAR 上提供。
大型语言模型（LLM）的最新进展为学术文献检索开辟了新的机遇。然而，现有系统通常依赖固定的流程，并表现出有限的推理能力。我们引入了SPAR，一个多智能体框架，它结合了基于RefChain的查询分解和查询演化，以实现更灵活和高效的搜索。为了促进系统评估，我们还构建了SPARBench，这是一个具有专家标注相关性标签的挑战性基准。实验结果表明，SPAR显著优于强大的基线，在AutoScholar上比表现最佳的基线F1分数提高了56%，在SPARBench上提高了23%。总之，SPAR和SPARBench为推进学术检索研究提供了可扩展、可解释且高性能的基础。代码和数据将在此处提供：https://github.com/xiaofengShi/SPAR