BridgeRAG：面向多跳问答的无训练桥接条件检索方法
摘要
多跳检索并非单步相关性问题：后续跳的证据应根据其在已检索到的桥接证据条件下的效用进行排序，而不仅仅是依据其与原始查询的相似性。我们提出BridgeRAG，这是一种面向多跳问题的检索增强生成（RAG）的无训练、无图检索方法，通过一个作用于（问题，桥接，候选）的三方评分器s(q,b,c)来实现这一观点。BridgeRAG将覆盖度与评分分离：双实体近似最近邻（ANN）扩展拓宽了第二跳候选池，而桥接条件化的大语言模型（LLM）评判器在无任何离线图或命题索引的情况下，从竞争候选链中识别出主动推理链。通过四个对照实验，我们证明该条件信号具有以下特性：(i) 选择性：在平行链查询上提升+2.55pp（p<0.001），而在单链子类型上几乎无变化；(ii) 不可替代性：用生成的主谓宾（SVO）查询文本替换检索到的段落，导致R@5下降2.1pp，表现甚至差于SVO相似度最低的池内段落；(iii) 可预测性：cos(b,g2)与单查询增益相关（Spearman rho=0.104, p<0.001）；(iv) 机制精确性：桥接条件化导致生产性重排序（平行链上的翻转胜率为18.7%，而单链上为0.6%），而非仅仅是更多的变动。结合轻量级覆盖扩展和百分位秩分数融合，BridgeRAG在所有三个标准多跳问答基准测试的匹配基准评估下，无需图数据库或任何训练，即取得了已发表的最佳无训练R@5：在MuSiQue上为0.8146（相较于PropRAG提升+3.1pp，相较于HippoRAG2提升+6.8pp），在2WikiMultiHopQA上为0.9527（相较于PropRAG提升+1.2pp），在HotpotQA上为0.9875（相较于PropRAG提升+1.35pp）。
引用
@article{arxiv.2604.03384,
title = {BridgeRAG: Training-Free Bridge-Conditioned Retrieval for Multi-Hop Question Answering},
author = {Andre Bacellar},
journal= {arXiv preprint arXiv:2604.03384},
year = {2026}
}
备注
11 pages, 4 figures