INTERS: Unlocking the Power of Large Language Models in Search with Instruction Tuning

要約

大規模言語モデル (LLM) は、さまざまな自然言語処理タスクにおいて優れた機能を実証しています。
それにもかかわらず、自然言語では多くの IR 固有の概念があまり出現しないため、情報検索 (IR) タスクへの応用は依然として困難です。
プロンプトベースの方法は LLM にタスクの説明を提供できますが、IR タスクの包括的な理解と実行を促進するには不十分なことが多く、そのため LLM の適用性が制限されます。
このギャップに対処するために、この研究では、IR タスクにおける LLM の習熟度を高めるための命令チューニングの可能性を探ります。
クエリの理解、ドキュメントの理解、クエリとドキュメントの関係の理解という 3 つの基本的な IR カテゴリにわたる 20 のタスクを含む、新しい命令チューニング データセット INTERS を紹介します。
データは、手動で作成されたテンプレートを使用して 43 の異なるデータセットから抽出されます。
私たちの実証結果は、INTERS が IR タスクにおいて、LLaMA、Mistral、Phi などのさまざまな公開されている LLM のパフォーマンスを大幅に向上させることを明らかにしています。
さらに、命令設計、テンプレートの多様性、少数ショットのデモンストレーション、命令の量がパフォーマンスに及ぼす影響を分析するために広範な実験を行っています。
データセットと微調整されたモデルは https://github.com/DaoD/INTERS で公開されています。

要約(オリジナル)

Large language models (LLMs) have demonstrated impressive capabilities in various natural language processing tasks. Despite this, their application to information retrieval (IR) tasks is still challenging due to the infrequent occurrence of many IR-specific concepts in natural language. While prompt-based methods can provide task descriptions to LLMs, they often fall short in facilitating a comprehensive understanding and execution of IR tasks, thereby limiting LLMs’ applicability. To address this gap, in this work, we explore the potential of instruction tuning to enhance LLMs’ proficiency in IR tasks. We introduce a novel instruction tuning dataset, INTERS, encompassing 20 tasks across three fundamental IR categories: query understanding, document understanding, and query-document relationship understanding. The data are derived from 43 distinct datasets with manually written templates. Our empirical results reveal that INTERS significantly boosts the performance of various publicly available LLMs, such as LLaMA, Mistral, and Phi, in IR tasks. Furthermore, we conduct extensive experiments to analyze the effects of instruction design, template diversity, few-shot demonstrations, and the volume of instructions on performance. We make our dataset and the fine-tuned models publicly accessible at https://github.com/DaoD/INTERS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google