基于语义不确定性的邻域感知检索用于复杂问答
信息检索
2025-03-25 v1
摘要
复杂问答系统在检索和推理以解决多方面查询方面面临重大挑战。虽然大型语言模型（LLM）已推进了这些系统的推理能力，但仍存在有限召回问题，即在一阶段检索中获取所有相关文档仍具有挑战性。此阶段遗漏关键文档会导致性能下降，后续阶段难以弥补，尤其考虑到 LLM 的上下文窗口有限， necessitating 在较小的检索深度上实现高召回率。本文引入 SUNAR 方法，利用 LLM 指导邻域感知检索过程。SUNAR 迭代探索文档的邻域图，基于 interim LLM 生成的答案候选者的不确定性估计，动态提升或惩罚文档。我们通过在两个复杂问答数据集上的大量实验对该方法进行了验证。我们的结果表明，SUNAR 在现有检索-推理基线方法上显著超越，对于复杂问答，相较于现有最先进方法实现了最高可达 31.84% 的性能提升。
引用
@article{arxiv.2503.17990,
title = {SUNAR: Semantic Uncertainty based Neighborhood Aware Retrieval for Complex QA},
author = {V Venktesh and Mandeep Rathee and Avishek Anand},
journal= {arXiv preprint arXiv:2503.17990},
year = {2025}
}
备注
Accepted at NAACL 2025 Main Conference