桥接长尾差距：基于多阶段释义输入的鲁棒检索增强型关系完成
计算与语言
2026-04-27 v1
摘要
大型语言模型（LLM）在关系完成（RC）任务中表现不佳，无论是否使用检索增强生成（RAG），尤其是在所需信息稀有或分布不均时。为此，本文提出一种新型多阶段释义引导的关系完成框架 RC-RAG，系统性地整合关系释义。具体而言，RC-RAG：（a）将释义整合至检索以扩充关系的词汇覆盖范围；（b）使用释义生成关系感知摘要；（c）在生成阶段利用释义以引导关系完成推理。重要的是，该方法无需任何模型微调。在五个 LLM 上对两个基准数据集进行实验显示，RC-RAG 在多个 RAG 基线上 consistently 取得改进的识别性能。在长尾情境下，最佳表现的 LLM 配合 RC-RAG 在 Exact Match（EM）指标上相较于独立运行提升 40.6 分，分别超过两个强大的 RAG 基线 16.0 和 13.8 分 EM 分，而维持较低的计算开销。
引用
@article{arxiv.2604.22261,
title = {Bridging the Long-Tail Gap: Robust Retrieval-Augmented Relation Completion via Multi-Stage Paraphrase Infusion},
author = {Fahmida Alam and Mihai Surdeanu and Ellen Riloff},
journal= {arXiv preprint arXiv:2604.22261},
year = {2026}
}