上下文驱动索引裁剪：从数据质量视角提升 RALM 的精度
计算与语言
2025-02-07 v1 数据库
摘要
检索增强大语言模型（RALMs）在提高生成回答的准确性方面取得了显著进展。然而，现有研究往往忽视检索结果中的数据质量问题，这些问题通常由不准确的现有基于向量距离的检索方法引起。我们提出从数据质量视角通过上下文驱动索引裁剪（CDIT）框架来提升 RALM 回答的精度，其中上下文匹配依赖（CMDs）被用作逻辑数据质量规则来捕获和调节检索上下文之间的一致性。基于大语言模型（LLMs）的语义理解能力，CDIT 可以有效识别并丢弃与查询上下文不一致的检索结果，并进一步修改数据库中的索引，从而提高回答质量。实验在具有挑战性的问答任务上得到了验证。此外，CDIT 的灵活性通过其与各种语言模型和索引方法的兼容性得到了验证，这为同时增强 RALM 的数据质量和检索精度提供了一种有前景的方法。
引用
@article{arxiv.2408.05524,
title = {Context-Driven Index Trimming: A Data Quality Perspective to Enhancing Precision of RALMs},
author = {Kexin Ma and Ruochun Jin and Xi Wang and Huan Chen and Jing Ren and Yuhua Tang},
journal= {arXiv preprint arXiv:2408.05524},
year = {2025}
}