基于Transformer的问答模型与RAG增强设计的全面评估
计算机视觉与模式识别
2025-09-29 v1
摘要
Transformer模型推动了问答领域的发展，但需要结合多个段落证据的多跳推理仍然困难。本文对检索增强生成框架内的多跳问答检索策略进行了全面评估。我们比较了余弦相似度、最大边际相关性以及一种将稠密嵌入与词汇重叠和重排序相结合的混合方法。为进一步改进检索，我们适配了EfficientRAG流水线进行查询优化，引入令牌标注和迭代优化，同时保持效率。在HotpotQA数据集上的实验表明，混合方法显著优于基线方法，在完全匹配上实现了50%的相对提升，在F1分数上实现了47%的相对提升。错误分析揭示混合检索改善了实体召回和证据互补性，但在处理干扰项和时间推理方面仍有限制。整体结果表明，混合检索增强生成为多跳问答提供了一种实用的零样本解决方案，在准确性、效率和可解释性之间取得了平衡。
引用
@article{arxiv.2509.21845,
title = {A Comprehensive Evaluation of Transformer-Based Question Answering Models and RAG-Enhanced Design},
author = {Zichen Zhang and Kunlong Zhang and Hongwei Ruan and Yiming Luo},
journal= {arXiv preprint arXiv:2509.21845},
year = {2025}
}