RELOOP: 用于异构问答的递归检索与多跳推理器和计划员
计算与语言
2026-04-24 v4 人工智能
摘要
检索增强生成（RAG）在多步骤问题和异构证据来源方面脆弱，在准确率与延迟/标记/工具预算之间进行权衡。这篇论文介绍了 RELOOP，一种结构感知框架，使用层次序列（HSEQ）实现 (i) 将文档、表格和知识图谱线性化为带轻量结构标签的可逆层次序列，以及 (ii) 执行结构感知迭代，在答案合成前收集恰当的证据。Head Agent 提供指导，引导检索；Iteration Agent 选择并通过结构尊重动作（例如父/子跳跃、表格行/列邻居、KG 关系）扩展 HSeq；最终，head agent 对规范化证据进行组合以生成最终答案，可选用细化循环以解决检测到的矛盾。在 HotpotQA（文本）、HybridQA/TAT-QA（表格+文本）和 MetaQA（KG）上的实验显示，与强大的单 pass、multi-hop 和 agentic RAG 基线相比，RELOOP 在 EM/F1 上持续获得提升，同时保持高效。此外，RELOOP 具有三个关键优势：(1) 一种格式无关的统一方法，使单一策略可跨文本、表格和 KG 运行，无需按数据集进行专业化；(2) 受指导的、预算感知的迭代，减少不必要的跳跃、工具调用和标记，同时保持准确率；(3) 证据规范化，以提高 QA 的可靠性，改进答案的一致性和可审计性。
引用
@article{arxiv.2510.20505,
title = {RELOOP: Recursive Retrieval with Multi-Hop Reasoner and Planners for Heterogeneous QA},
author = {Ruiyi Yang and Hao Xue and Imran Razzak and Hakim Hacid and Flora D. Salim},
journal= {arXiv preprint arXiv:2510.20505},
year = {2026}
}
备注
19 pages, 2 figures