MuISQA：用于科学问答的多意图检索增强生成
人工智能
2025-11-21 v1
摘要
复杂的科学问题往往涉及多个意图，例如识别基因突变并将其关联到相关疾病。这些任务需要来自多样化来源的证据，并进行多跳推理，而传统的检索增强生成（RAG）系统通常是单意图导向的，导致证据覆盖不完整。为评估这一局限，我们引入多意图科学问答（Multi-Intent Scientific Question Answering, MuISQA）基准，旨在评估RAG系统在异构证据覆盖 across sub-questions 方面的表现。此外，我们提出一种意图感知检索框架，利用大语言模型（LLM）假设潜在答案，将其分解为意图特定查询，并检索每个底层意图的支持段落。随后，通过反向排名融合（Reciprocal Rank Fusion, RRF）聚合检索片段并重新排序，以平衡不同意图之间的覆盖范围同时减少冗余。在MuISQA基准和其他通用RAG数据集上的实验表明，我们的方法在检索准确性和证据覆盖方面 consistently 优于传统方法，尤其在多意图场景下表现更佳。
引用
@article{arxiv.2511.16283,
title = {MuISQA: Multi-Intent Retrieval-Augmented Generation for Scientific Question Answering},
author = {Zhiyuan Li and Haisheng Yu and Guangchuan Guo and Nan Zhou and Jiajun Zhang},
journal= {arXiv preprint arXiv:2511.16283},
year = {2025}
}
备注
15 pages