LevelRAG：基于重写增强检索的多跳逻辑规划提升检索增强生成
计算与语言
2025-02-26 v1 信息检索
摘要
检索增强生成（RAG）是缓解大语言模型（LLM）幻觉现象并将外部知识整合到其响应中至关重要的方法。现有RAG方法通常采用查询重写来澄清用户意图并管理多跳逻辑，同时使用混合检索来扩大搜索范围。然而，查询重写与稠密检索器之间的紧密耦合限制了其与混合检索的兼容性，阻碍了RAG性能的进一步提升。为此，我们引入一个高层检索器，将复杂查询分解为原子查询，独立于任何检索器特定的优化。此外，我们开发了新的稀疏检索器，采用Lucene语法提高检索准确性。除了网页检索器和稠密检索器，这些组件在我们提出的方法中无缝协作。LevelRAG中，高层检索器协调检索逻辑，而低层检索器（稀疏检索器、网页检索器和稠密检索器）针对最佳检索对查询进行细化。该方法提高了检索过程的完整性和准确性，克服了当前查询重写技术在混合检索场景中的挑战。在包含单跳和多跳问答任务的五个数据集上进行的实验表明，LevelRAG在RAG方法中表现优异。尤其值得注意的是，LevelRAG超过了最先进的专有模型GPT4o，凸显了其有效性及其在RAG领域的潜在影响。
引用
@article{arxiv.2502.18139,
title = {LevelRAG: Enhancing Retrieval-Augmented Generation with Multi-hop Logic Planning over Rewriting Augmented Searchers},
author = {Zhuocheng Zhang and Yang Feng and Min Zhang},
journal= {arXiv preprint arXiv:2502.18139},
year = {2025}
}
备注
First submit