面向多跳问答的资源友好型动态增强链
计算与语言
2025-06-24 v1
摘要
知识密集型多跳问答（QA）任务需要整合来自多个来源的证据以解决复杂查询，这通常需要大型语言模型（LLM）进行多轮检索和迭代生成。然而，整合大量文档和扩展上下文带来了挑战，例如幻觉和语义漂移，特别是对于参数较少的轻量级 LLM。本工作提出了一个名为 DEC（动态增强链）的新框架。DEC 首先将复杂问题分解为逻辑连贯的子问题，以形成无幻觉的推理链。然后通过上下文感知重写迭代地优化这些子问题，以生成有效的查询公式。在检索方面，我们引入了一个轻量级的判别式关键词提取模块，该模块利用提取的关键词以相对较低的计算开销实现有针对性的、精确的文档召回。在三个多跳问答数据集上的大量实验表明，DEC 的性能与最先进的基准相当或超越它们，同时显著降低了 token 消耗。值得注意的是，我们的方法在具有 8B 参数的模型上取得了最先进的结果，展示了其在各种场景下的有效性，特别是在资源受限的环境中。
引用
@article{arxiv.2506.17692,
title = {Resource-Friendly Dynamic Enhancement Chain for Multi-Hop Question Answering},
author = {Binquan Ji and Haibo Luo and Yifei Lu and Lei Hei and Jiaqi Wang and Tingjing Liao and Lingyu Wang and Shichao Wang and Feiliang Ren},
journal= {arXiv preprint arXiv:2506.17692},
year = {2025}
}