📖标题:Retrieve, Summarize, Plan: Advancing Multi-hop Question Answering with an Iterative Approach
🌐来源:arXiv, 2407.13101
🛎️文章简介
🔸研究问题:在多跳问答场景中,传统RAG技术在单一检索迭代中无法聚合所有关键信息,导致答案不完整或不正确。
🔸主要贡献:论文提出了一种名为ReSP的迭代式RAG方法,通过压缩检索到的文档信息并生成当前子问题的回答,解决了多轮检索导致的上下文过载和重复规划问题。
📝重点思路
🔺相关工作
🔸RAG是通过从外部数据库检索相关文档,并将其集成到生成过程中来增强LLM,近期研究可分为单轮和迭代两种方案。
🔸多跳问答场景中,迭代RAG通常会取得更好的结果,因为它允许对问题进行详细分解。
🔸由于迭代次数的增加,迭代RAG在长上下文处理中面临挑战。
🔺ReSP概述
🔸ReSP框架由推理器、检索器、摘要器和生成器四个组件构成。
🔸推理器、检索器和生成器都基于无需微调的LLM,由提示工程执行任务,与传统的迭代RAG方法类似。
🔸摘要器的目标是解决上下文过载和冗余规划,在压缩信息的同时避免重复迭代。
🔸因此提出了双功能摘要器,不仅生成与问题相关的全局证据信息,还要生成当前子问题的响应来控制迭代。
🔺ReSP推理
🔸给定一个查询和一个文档语料库,检索器查询到topk个相关文档。
🔸摘要器将这些文档进行摘要创建,并更新内存队列。
🔸推理器确定当前信息是否足以解决总体问题,不够的话则产生子问题。
🔸子问题再次执行检索、摘要和推理步骤,直至信息足够。
🔸生成器拿到全部内存队列,输出答案。
🔎分析总结
🔸ReSP在多轮问答任务中显著优于其他单轮和迭代式RAG方法,可以更全面地捕获信息,并且具有良好的上下文长度鲁棒性。
🔸摘要生成在单轮RAG中也表现出优越性能,验证了摘要生成在信息压缩中的有效性。
🔸增大模型规模,规划器会导致步骤过多影响迭代,摘要器会提取大量无关信息,只有生成器有提升。
💡个人观点
论文结合多轮检索和摘要生成,提出了一种迭代RAG方法,解决了信息过载和重复规划问题。