URAG：面向大学招生聊天机器人实现统一混合 RAG 以提供精准答案——在 HCMUT 的案例研究
计算与语言
2025-01-29 v1 信息检索
摘要
随着人工智能领域，特别是自然语言处理领域的快速发展，大型语言模型（Large Language Models，LLMs）已成为教育问答系统中的关键技术，尤其是大学招生聊天机器人。检索增强生成（Retrieval-Augmented Generation，RAG）及其他先进技术不断开发，以整合特定大学数据，使系统能够在招生和学术咨询方面提供信息化的响应。然而，这些增强型 RAG 技术往往涉及高昂的运行成本，需训练复杂的专用模块，导致实际部署面临挑战。此外，在教育语境中，提供准确的答案以防止误导是必不可少的，而 LLM-based 系统若缺乏合适的策略和方法，将难以实现这一目标。本文引入统一 RAG（URAG）框架，一种混合方法，显著提升了响应的准确性，尤其是针对关键查询。实验结果表明，URAG 使我们内部轻量级模型的性能与最先进的商业模型相当。此外，为验证其实际应用性，我们在教育机构进行了案例研究，获得了积极的反馈和赞誉。该研究不仅证明了 URAG 的有效性，也突显了其在教育环境中实际部署的可行性。
引用
@article{arxiv.2501.16276,
title = {URAG: Implementing a Unified Hybrid RAG for Precise Answers in University Admission Chatbots -- A Case Study at HCMUT},
author = {Long Nguyen and Tho Quan},
journal= {arXiv preprint arXiv:2501.16276},
year = {2025}
}
备注
Under review at SoICT'24