PlanRAG：面向作为决策者的生成式大语言模型的计划-检索增强生成方法
计算与语言
2024-06-19 v1 人工智能
机器学习
摘要
本文研究了如何将大语言模型（LLM）用于需要复杂数据分析的决策问题。我们定义了决策问答（Decision QA）任务，即为决策问题 Q、业务规则 R 和数据库 D，寻找最佳决策 d_best。由于目前缺乏能够评估决策问答的基准数据集，我们提出了决策问答基准（DQA），其包含两个情景（Locating 与 Building），分别来自两个目标高度一致的电子游戏（《欧洲王国》四和《维多利亚三》），其目标几乎等同于决策问答。为有效解决决策问答问题，我们提出了一种新的检索增强生成（RAG）技术，称为迭代计划-检索增强生成（PlanRAG）。我们的PlanRAG方法首先生成决策计划，再由检索器生成数据分析查询。所提方法在Locating情景中相对于最先进的迭代RAG方法提升了15.8%，在Building情景中提升了7.4%。我们将发布代码与基准数据集至 https://github.com/myeon9h/PlanRAG。
引用
@article{arxiv.2406.12430,
title = {PlanRAG: A Plan-then-Retrieval Augmented Generation for Generative Large Language Models as Decision Makers},
author = {Myeonghwa Lee and Seonho An and Min-Soo Kim},
journal= {arXiv preprint arXiv:2406.12430},
year = {2024}
}
备注
NAACL 2024