💡
原文中文，约1200字，阅读约需3分钟。
📝
内容提要
大众点评技术部的BlackPearl团队在KDD Cup比赛中包揽三个赛题的冠军，采用大模型解决论文消歧、源头追溯和论文检索难题。团队开源解决方案代码，并将在KDD 2024上展示研究成果。大众点评App将继续深入探索大模型技术，提供精准服务。
🎯
关键要点
- ACM SIGKDD是数据挖掘领域的国际顶级会议，每年举办KDD Cup比赛。
- 大众点评技术部的BlackPearl团队在KDD 2024 OAG-Challenge Cup中包揽三道赛题的冠军。
- 三道赛题分别是论文同名消歧、论文源头追溯和学术论文检索，团队采用大模型技术解决这些问题。
- 在WhoIsWho任务中，团队提出基于自反馈增强的迭代式大模型文本聚类方法，获得83%的gAUC指标。
- 在PST任务中，团队利用嫁接学习将BERT-Like模型与LLM结合，提升样本置信度，最终效果超出ChatGPT+RAG方案10%。
- 在AQA任务中，团队提出Boosting LLM For Searching方案，有效解决了文本搜索中的噪声问题。
- BlackPearl团队开源了解决方案代码，并将在KDD 2024上展示研究成果。
- 未来，大众点评App将继续探索大模型技术，提供更精准的用户服务。
❓
延伸问答
大众点评的BlackPearl团队在KDD 2024比赛中获得了哪些成就？
BlackPearl团队在KDD 2024 OAG-Challenge Cup中包揽了三道赛题的冠军，分别是WhoIsWho、PST和AQA。
BlackPearl团队是如何解决论文同名消歧问题的？
团队提出了基于自反馈增强的迭代式大模型文本聚类方法，最终以83%的gAUC指标赢得了WhoIsWho任务的冠军。
PST任务中，BlackPearl团队使用了哪些技术？
团队利用嫁接学习将BERT-Like模型与LLM结合，提高样本置信度，并构建了基于RAG的自动特征工程链路。
AQA任务的主要挑战是什么，团队是如何应对的？
AQA任务面临复杂噪声数据的挑战，团队通过Boosting LLM For Searching方案有效解决了文本搜索中的噪声问题。
BlackPearl团队的解决方案代码在哪里可以找到？
团队已在GitHub上开源了解决方案代码，链接为https://github.com/BlackPearl-Lab/KddCup-2024-OAG-Challenge-1st-Solutions。
大众点评未来在大模型技术方面有什么计划？
大众点评将继续深入探索大模型技术，努力通过先进AI技术产品化，提供更精准的用户服务。
🏷️
标签
➡️
