通过混合文档路由检索解决金融 RAG 中的鲁棒性-精确性权衡
计算与语言
2026-04-22 v2 人工智能
信息检索
摘要
用于金融文档问答的检索增强生成（RAG）系统通常遵循基于块的范式：文档被分割为片段，嵌入向量空间，并通过相似度搜索进行检索。虽然在通用设置下有效，但该方法在结构均一的语料库（如监管文件中）会遭受跨文档块混淆。语义文件路由（SFR）利用 LLM 结构化输出将查询路由到整个文档，减少了灾难性失败，但牺牲了针对性块检索的精确性。我们通过在 FinDER 基准测试（五个组共 1500 个查询）上的受控评估识别了这一鲁棒性-精确性权衡：SFR 实现了更高的平均得分（6.45 vs. 6.02）和更少的失败率（10.3% vs. 22.5%），而基于块的检索（CBR）产生了更多完美答案（13.8% vs. 8.5%）。为了解决这一权衡，我们提出了混合文档路由检索（HDRR），一种两阶段架构，以 SFR 作为文档过滤器，后接针对已识别文档的基于块检索。HDRR 消除了跨文档混淆，同时保持了针对性块的精确性。实验结果表明，HDRR 在每个指标上均取得了最佳性能：平均得分 7.54（较 CBR 高 25.2%，较 SFR 高 16.9%），失败率仅 6.4%，正确率 67.7%（较 CBR 高 18.7 个百分点），完美答案率 20.1%（较 CBR 高 6.3 个百分点，较 SFR 高 11.6 个百分点）。HDRR 通过同时实现最低失败率和所有五个实验组中的最高精确性来解决这一权衡。
引用
@article{arxiv.2603.26815,
title = {Resolving the Robustness-Precision Trade-off in Financial RAG through Hybrid Document-Routed Retrieval},
author = {Zhiyuan Cheng and Longying Lai and Yue Liu},
journal= {arXiv preprint arXiv:2603.26815},
year = {2026}
}
备注
18 pages, 4 figures, 9 tables. Submitted to Intelligent Systems with Applications