⏶24
HANRAG：用于多跳问答的启发式精确抗噪检索增强生成
发表
由 
dan 提交
dan 提交作者: Duolin Sun, Dan Yang, Yue Shen, Yihan Jiao, Zhehao Tan, Jie Feng, Lianzhen Zhong, Jian Wang, Peng Wei, Jinjie Gu
Dan Yang, Yue Shen, Yihan Jiao, Zhehao Tan, Jie Feng, Lianzhen Zhong, Jian Wang, Peng Wei, Jinjie Gu摘要
AI 生成总结
HANRAG 是一种基于启发式的框架，它通过有效处理多跳查询以及通过查询分解和过滤来减少噪声，从而改进了问答系统。检索增强生成（RAG）方法通过整合信息检索（IR）技术与大型语言模型（LLMs），增强了问答系统和对话生成任务的能力。这种策略从外部知识库中检索信息以增强生成模型的响应能力，已取得一定的成功。然而，当前的 RAG 方法在处理多跳查询时仍然面临诸多挑战。例如，一些方法过度依赖迭代检索，在处理复杂查询时浪费了过多的检索步骤。此外，使用原始的复杂查询进行检索可能无法捕捉与特定子查询相关的内容，导致检索到的内容存在噪声。如果不加以管理，噪声会累积并导致噪声累积的问题。为了解决这些问题，我们引入了 HANRAG，一个新颖的基于启发式的框架，旨在高效地解决各种复杂性问题。HANRAG 由一个强大的揭示器驱动，可以路由查询、将其分解为子查询，并过滤检索到的文档中的噪声。这增强了系统的适应性和抗噪声能力，使其能够高效地处理各种查询。我们将提出的框架与行业内其他领先方法在各种基准测试中进行了比较。结果表明，我们的框架在单跳和多跳问答任务中均取得了卓越的性能。
Théo Le Roux
Adina Yakefu
Yury Panikov
检索增强生成（RAG）方法通过将信息检索（IR）技术与大型语言模型（LLM）相结合，增强了问答系统和对话生成任务。这种从外部知识库检索信息以增强生成模型响应能力的方法已经取得了一定的成功。然而，当前的 RAG 方法在处理多跳查询时仍然面临许多挑战。例如，一些方法过度依赖迭代检索，在复合查询上浪费了过多的检索步骤。此外，使用原始的复杂查询进行检索可能无法捕捉与特定子查询相关的内容，从而导致检索内容嘈杂。如果噪声未得到管理，可能会导致噪声累积问题。为了解决这些问题，我们引入了 HANRAG，一个新颖的基于启发式的方法框架，旨在高效地解决各种复杂问题。在强大的揭示器的驱动下，HANRAG 对查询进行路由，将其分解为子查询，并过滤检索到的文档中的噪声。这增强了系统的适应性和抗噪声能力，使其能够很好地处理各种查询。我们将提出的框架与行业内其他领先方法在各种基准上进行了比较。结果表明，我们的框架在单跳和多跳问答任务中均取得了卓越的性能。