KTRL+F:一项知识增强的文档内搜索任务，实时识别文档中的语义目标

　　韩国科学技术院(KAIST)的人工智能研究人员与三星研究的合作，共同提出了一项名为KTRL+F的知识增强的文档内搜索任务。该任务要求模型通过单一自然查询实时识别文档中的语义目标，以应对现有模型在面对幻觉、低延迟和难以利用表面知识等方面的挑战。

　　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仅基于提供的上下文，还要求模型利用上下文之外的信息。为解决挑战，研究人员提出了一种知识增强短语检索模型，通过在短语嵌入中引入外部知识嵌入，有效平衡了速度和性能。这一模型增强了上下文知识，使得在文档中进行准确和全面的搜索和检索，从而提高了信息访问的效率。

　　KTRL+F的关注点是在实时情况下识别文档中的语义目标，通过单一自然查询利用外部知识。评估指标包括模型找到所有语义标记的能力、利用外部命令以及实时操作。通过分析各种基线模型(生成式、提取式和检索式模型)，使用List EM、List Overlap F1和Robustness Score等指标，评估外部知识的整合，并通过用户研究验证了解决KTRL+F所实现的增强搜索体验。

　　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的短语检索模型，通过在短语嵌入中增加外部知识嵌入，有效平衡了速度和性能。KTRL+F的可伸缩性和实用性为未来信息检索和知识增强领域的进一步发展提供了机会。

　　未来的研究方向包括探索用于实时处理的端到端可训练体系结构，将外部知识检索和集成到可搜索的索引中。建议将KTRL+F扩展到包括及时知识(如新闻)的范围，并通过比较具有不同实体链接器的模型，研究高质量表面知识的重要性。对所提出模型中知识聚合设计的进一步评估以及对KTRL+F中基线模型及其局限性进行额外实验也是建议的研究方向。