HANRAG：基于启发式方法的高精度噪声抗性检索增强生成，用于多跳问答
计算与语言
2025-09-15 v1 人工智能
摘要
检索增强生成（Retrieval-Augmented Generation, RAG）方法通过整合信息检索（IR）技术与大型语言模型（LLM）来增强问答系统和对话生成任务的能力。该策略从外部知识库检索信息以强化生成模型的响应能力，已取得一定成果。然而，当前的 RAG 方法在处理多跳查询时仍面临诸多挑战。例如，一些方法过度依赖迭代检索，在复合查询上浪费过多检索步骤；此外，使用原始复杂查询进行检索可能无法捕捉特定子查询相关内容，导致检索内容噪声化。如果噪声未被妥善处理，将导致噪声累积问题。为此，我们引入 HANRAG，一个新型基于启发式方法的框架，旨在高效解决复杂程度不同的问题。该框架驱动查询路由、查询分解为子查询，并过滤检索文档中的噪声，从而提升系统的适应性和抗噪能力，使其在处理多样化查询方面具有高度能力。我们将该框架与其他行业领先方法在各种基准测试中进行比较。结果表明，该框架在单跳和多跳问答任务中均取得优异性能。
引用
@article{arxiv.2509.09713,
title = {HANRAG: Heuristic Accurate Noise-resistant Retrieval-Augmented Generation for Multi-hop Question Answering},
author = {Duolin Sun and Dan Yang and Yue Shen and Yihan Jiao and Zhehao Tan and Jie Feng and Lianzhen Zhong and Jian Wang and Peng Wei and Jinjie Gu},
journal= {arXiv preprint arXiv:2509.09713},
year = {2025}
}