在线问答平台中生成系统性解释性答案的自适应框架

问答系统在处理需要多领域知识综合的复杂问题时面临挑战。简单的RAG模型虽然在信息检索方面有效，但在处理需要全面深入答案的复杂问题时则显得力不从心。这项开创性任务被定义为解释性答案生成，它需要处理已识别的挑战，例如在生成的上下文中对全面信息和逻辑连贯性的要求。为了解决这些问题，我们借鉴系统性思维理论，提出了SynthRAG，一个旨在提升问答性能的创新框架。SynthRAG通过采用自适应大纲进行动态内容结构化、生成系统性信息以确保详细覆盖，以及生成针对特定用户查询定制的个性化答案，从而改进了传统模型。这种结构化方法保证了逻辑连贯性和信息的彻底整合，产生的回答既有洞察力又组织有序。实证评估强调了SynthRAG的有效性，展示了其在处理复杂问题方面的优越性，克服了简单RAG模型的局限性，并显著提高了答案的质量和深度。此外，在知乎平台上的在线部署显示，SynthRAG的答案获得了显著的用户参与度，每个回答平均获得5.73个赞同，超越了79.8%的人类贡献者，突显了所提出框架的实际相关性和影响力。我们的代码可在https://github.com/czy1999/SynthRAG获取。