Blended RAG：利用语义搜索与基于混合查询的检索器提升 RAG（检索增强生成）准确性
信息检索
2025-03-10 v2 人工智能
计算与语言
摘要
检索增强生成（Retrieval-Augmented Generation, RAG）是一种将私有文档知识库与大型语言模型（LLM）相结合以构建生成式问答系统的主流方法。然而，随着文档语料库规模的扩大，RAG 的准确性变得愈发具有挑战性，其中检索器通过从语料库中提取最相关的文档为 LLM 提供上下文，在整体 RAG 准确性中发挥着巨大作用。在本文中，我们提出了一种“Blended RAG”方法，将语义搜索技术（如 Dense Vector 索引和 Sparse Encoder 索引）与混合查询策略相结合。我们的研究取得了更好的检索结果，并在 NQ 和 TREC-COVID 等信息检索（IR）数据集上设定了新的基准。我们进一步将这种“Blended Retriever”扩展到 RAG 系统中，在 SQUAD 等生成式问答数据集上展示了远超基线的结果，甚至超越了微调性能。
引用
@article{arxiv.2404.07220,
title = {Blended RAG: Improving RAG (Retriever-Augmented Generation) Accuracy with Semantic Search and Hybrid Query-Based Retrievers},
author = {Kunal Sawarkar and Abhilasha Mangal and Shivam Raj Solanki},
journal= {arXiv preprint arXiv:2404.07220},
year = {2025}
}
备注
Paper accepted by MIPR and presented at The 7th IEEE International Conference on Multimedia Information. Processing and Retrieval (IEEE-MIPR 2024)