面向语义考量与因果关系增强的检索方法
计算与语言
2026-03-10 v2
摘要
近年来,大语言模型(LLMs)的快速发展显著提升了对话式人工智能系统的性能。为了将其能力扩展到对准确性要求极高的知识密集型领域(如生物医学和法律领域),大语言模型通常与信息检索(IR)系统相结合,以基于检索到的文档生成回答。然而,为了使信息检索系统能够有效地支持此类应用,它们必须超越简单的语义匹配,准确地捕捉多样化的查询意图,包括因果关系。现有的信息检索模型主要侧重于基于表层语义相似度来检索文档,而忽略了更深层次的关系结构(如因果关系)。为解决这一问题,我们提出了 CAWAI——一种以语义关系和因果关系为双重训练目标的检索模型。大量实验表明,CAWAI 在多种因果检索任务上优于各类模型,尤其是在大规模检索场景下表现突出。我们还证明 CAWAI 在科学领域问答任务中展现出强大的零样本泛化能力。
引用
@article{arxiv.2504.04700,
title = {Causal Retrieval with Semantic Consideration},
author = {Hyunseo Shin and Wonseok Hwang},
journal= {arXiv preprint arXiv:2504.04700},
year = {2026}
}