面向开域文档问答的层次化多模态检索：HiKEY
人工智能
2026-05-29 v1 信息检索
摘要
文档基准的开域问答 (Open-domain Question Answering, ODQA) 在大规模工业语料库上的检索增强生成 (Retrieval-augmented generation, RAG) 面临两个关键瓶颈：在定位正确文档时的路由失败，以及在整合分散信息时的证据碎片化。依赖平面文本块或页面级图像的现有方法天然难以 (i) 在数千个候选文档中精准定位目标文档，以及 (ii) 在有限的 token 预算内有机地连接多模态证据，如表格和图示。为此，我们提出了 HiKEY，一种基于层次化树结构的多模态检索框架，将文档层次结构提升为一级检索信号。除简单分块外，HiKEY 通过文档层次化解析 (Document Hierarchical Parsing, DHP) 重构逻辑异构图，显式编码父子关系。采用层次化粗到细策略，该框架 (1) 执行全局路由以利用层次化索引快速修剪搜索空间，(2) 采用多模态融合策略进行细粒度检索以排序章节以捕获最具辨识力的证据。最后，HiKEY 采用混合结构-语义打包策略组装 token 高效的证据子图。实验在 ODQA 基准上表明，HiKEY 显著优于页面和分块基线，检索召回率提升最高可达 12.9%，端到端 QA 性能提升最高可达 6.8%。
引用
@article{arxiv.2605.29606,
title = {HiKEY: Hierarchical Multimodal Retrieval for Open-Domain Document Question Answering},
author = {Joongmin Shin and Gyuho Shim and Jeongbae Park and Jaehyung Seo and Heuiseok Lim},
journal= {arXiv preprint arXiv:2605.29606},
year = {2026}
}
备注
Accepted to ACL2026 Main