HyPA-RAG：面向人工智能法律与政策应用的混合参数自适应检索增强生成系统
信息检索
2025-02-26 v2 人工智能
机器学习
摘要
大语言模型（LLM）在人工智能法律和政策应用中面临知识过时、幻觉以及复杂语境下推理能力不足等局限。检索增强生成（RAG）系统通过引入外部知识来解决这些问题，但存在检索错误、上下文整合效率低下和运营成本高等问题。本文提出了专为人工智能法律领域设计的混合参数自适应 RAG（HyPA-RAG）系统，并以纽约市第 144 号地方法（LL144）作为测试案例。HyPA-RAG 集成了一个用于自适应参数调优的查询复杂度分类器、一种结合了稠密、稀疏和知识图谱方法的混合检索方法，以及一个包含定制问题类型和评估指标的综合评估框架。在 LL144 上的测试表明，HyPA-RAG 提高了检索准确性、回答忠实度和上下文精确度，为高风险的法律和政策应用提供了一个稳健且适应性强的解决方案。
引用
@article{arxiv.2409.09046,
title = {HyPA-RAG: A Hybrid Parameter Adaptive Retrieval-Augmented Generation System for AI Legal and Policy Applications},
author = {Rishi Kalra and Zekun Wu and Ayesha Gulley and Airlie Hilliard and Xin Guan and Adriano Koshiyama and Philip Treleaven},
journal= {arXiv preprint arXiv:2409.09046},
year = {2025}
}
备注
NAACL 2025 Industry Track & EMNLP 2024 CustomNLP4U Workshop