查询几何：基于查询的检索增强生成在医疗问答中的创新
机器学习
2025-07-31 v2
摘要
部署用于医疗问答的大型语言模型（LLM）需要鲁棒的方法以确保准确性和可靠性。本工作引入查询基检索增强生成（QB-RAG），用于通过预先对齐用户查询与来自医疗内容派生的、可回答问题数据库来增强医疗问答检索增强生成（RAG）系统。QB-RAG 的关键组件是基于 LLM 的过滤机制，确保仅包含与检索相关且可回答的问题，使规模化的参考查询生成保持可靠。我们提供了 QB-RAG 的理论动机，进行现有检索增强技术的比较分析，提出一个通用、全面的评估框架，用于评估检索效果和生成响应质量，基于忠实性、相关性和遵循指南三个维度。我们的实证评估在医疗数据集上表明，QB-RAG 在现有检索方法中表现出优势，凸显其在构建可信赖的数字健康应用中为医疗问答提供实际价值的作用。
引用
@article{arxiv.2407.18044,
title = {The Geometry of Queries: Query-Based Innovations in Retrieval-Augmented Generation for Healthcare QA},
author = {Eric Yang and Jonathan Amar and Jong Ha Lee and Bhawesh Kumar and Yugang Jia},
journal= {arXiv preprint arXiv:2407.18044},
year = {2025}
}
备注
27 pages