K-COMP：面向医疗领域的检索增强问答 with Knowledge-Injected Compressor
计算与语言
2025-06-30 v3 人工智能
摘要
检索增强问答（QA）通过集成外部信息来提高缺乏领域知识的阅读模型的准确率。然而，针对封闭领域的检索文档需要高水平专业知识，导致阅读模型可能难以完全理解文本。此外，检索文档包含大量标记，其中一些与问题无关。结果是，文档包含一些不准确的信息，这可能导致阅读模型对段落失去信任，并可能引发幻觉现象。为解决这些问题，我们提出K-comp（Knowledge-injected compressor），其为正确作答所需的知识提供支持。压缩器自动生成在压缩检索段落之前所需的先验知识，以促进答案过程。随后，对段落进行自回归压缩，并将生成的知识集成到压缩过程中。该过程确保问题意图与压缩后的上下文一致。通过增强这些先验知识和简洁的上下文，指导阅读模型走向相关答案并信任上下文。
引用
@article{arxiv.2501.13567,
title = {K-COMP: Retrieval-Augmented Medical Domain Question Answering With Knowledge-Injected Compressor},
author = {Jeonghun Cho and Gary Geunbae Lee},
journal= {arXiv preprint arXiv:2501.13567},
year = {2025}
}
备注
Accepted at NAACL 2025 (Main, long paper)