检索增强生成的问句分解
计算与语言
2025-07-02 v1
摘要
将外部可验证来源 grounding 大型语言模型 (LLM) 是一种已确立的策略，用于生成可靠答案。检索增强生成 (RAG) 是其中一种有效方法，特别适用于问答类任务：它检索与问题语义相关的段落，然后基于此证据对模型进行条件化。然而，诸如 "在 NVIDIA、Apple 和 Google 哪一家公司在 2023 年盈利最多？"之类的多跳问题挑战 RAG，因为相关事实常常分布在多个文档中而非单一来源，导致标准 RAG 难以检索足够信息。为此，我们提出一种 RAG 流程集成问句分解：(i) LLM 将原始查询分解为子问题，(ii) 为每个子问题检索段落，(iii) 合并候选池并重新排序，以提高检索证据的覆盖度和精度。我们证明问句分解有效地组装互补文档，而重新排序通过降低噪声并促进最相关的段落在答案生成前获得，实现更好的检索覆盖。虽然重新排序本身是标准做法，但我们表明将即插即用的交叉编码器重新排序器与 LLM驱动的问句分解相结合，能够在不进行额外训练或专业索引的情况下弥补多跳问题的检索差距，提供一种实用的增强方案。我们在 MultiHop-RAG 和 HotpotQA 上进行评估，检索 (MRR@10: +36.7%) 和答案准确率 (F1: +11.6%) 相对于标准 RAG 基线显著提升。
引用
@article{arxiv.2507.00355,
title = {Question Decomposition for Retrieval-Augmented Generation},
author = {Paul J. L. Ammann and Jonas Golde and Alan Akbik},
journal= {arXiv preprint arXiv:2507.00355},
year = {2025}
}
备注
Accepted to ACL SRW 2025. 9 Pages, 2 Figures, 4 Tables