别人的论文为什么这样构思？

没写完，明天弄。

为什么使用知识图谱？

痛点

1. 使用多源异构数据有诸多困难，难以统一；

2. 传统的LLM推理能力不好（幻觉问题），但信息有很碎片化，需要一个方法将知识整合到一起；

3. 医学这样的专业领域，希望生成的回答能有证据支撑，因此使用rag和知识图谱

4. 只是用RAG的问题在于，在“多跳问答”的处理上不好，因此需要知识图谱

   1. 当前RAG只是用检索最匹配的段落，忽略了其他相关信息，但又引入了其他噪声的干扰

   2. 推理能力需要借助知识图谱

   3. 训练数据不足时需要借助知识图谱进行建模

   4. 

为什么使用RAG？

https://dialogue-conf.org/wp-content/uploads/2025/04/GalitskyBIlvovskyDMorkovkinA.110.pdf

当前RAG的瓶颈：

1. 多跳问答任务表现不佳

2. 难以处理需要多步推理的复杂问题

   1. 多步推理：问题解析——检索相关文档——信息整合——生成答案

3. 检索机制的局限性

   1. 返回噪声或不相关段落

   2. 生成答案可能与检索证据矛盾

现有改进策略的不足：

1. 重排序、条件检索等方法效果有限

2. 计算成本高昂，对标注质量敏感

论文的解决方法：

知识图谱+话语分析 辅助RAG，从而提升答案的连贯性和鲁棒性。

1. 使用知识图谱提供结构化、低噪声的知识表示，更适合长尾问题和复杂推理；

2. 使用话语分析，理解句子之间的关系，超越表面语法，同时提升了上下文理解、内容组织和答案过滤。

符合性预测

1. 构建预测集合top-K，保证包含正确答案的概率

2. 不返回单一答案，而是提供一组候选答案

Retriever Set保证检索到相关段落，LLM Set保证生成答案语义正确。

此外还使用了拉丁超立方抽样，提升语义覆盖度，更均衡的探索置信空间。

自我反思RAG：提升检索与生成质量

LLM在生成答案的同时进行自我反思与批判，生成反思/批评标记（tokens），如：is_supported，is_relevant

工作流程：接收用户查询——检索相关文档——生成候选答案——自我反思与评估——输出最终答案。

优势：

1. 有效排序不同检索结果的候选答案

2. 部分提升答案的groundedness和上下文一致性

不足：

1. 难以处理不相关或者误导信息

2. 在复杂查询表现不佳

本文改进：

1. 结合话语分析，评估答案与问题的修辞关系

2. 提升答案的语义grounding和语境适当性

增加知识图谱辅助

。。。

AMR提取句子深层含义

。。。