通过零样本生成改进生成与检索知识的组合

域内问答（QA）通过结合忠实检索段落和通过大语言模型（LLM）生成的相关段落的优势而引起广泛关注。然而，缺乏可用于匹配这些知识来源的明确标签。为解决此问题，我们提出了一种无监督且简单的方法——称为 BRMGR（Bi-Reranking for Merging Generated and Retrieved Knowledge）的框架，该框架利用对检索段落和LLM生成段落进行重新排序。我们使用两种独立的重新排序方法匹配这两种类型的段落，然后通过贪婪匹配将其组合。我们展示，BRMGR 等价于在为每个检索段落分配对应的LLM生成段落时采用二分匹配损失。本模型的应用实验结果显示，在NQ 和 WebQ 数据集上分别提高了 +1.7 和 +1.6 的性能，在与竞争性基线进行比较时，TriviaQA 数据集获得了相当的结果。