论文
面向生物医学文献检索增强生成的图感知延迟分块
Graph-Aware Late Chunking for Retrieval-Augmented Generation in Biomedical Literature
摘要
面向生物医学文献的检索增强生成（RAG）系统通常使用平均倒数排名（MRR）等排序指标评估，这类指标衡量系统识别单一最相关文本块的能力。我们认为，对于全文科学文献，这一范式并不完整：它奖励检索精度，却忽视检索广度——即从文档各结构化章节中挖掘证据的能力。我们提出 GraLC-RAG，一个将延迟分块（late chunking）与图感知结构智能相统一的框架，引入结构感知的文本块边界检测、UMLS 知识图谱注入和图引导的混合检索。我们在 2,359 篇经 IMRaD 筛选的 PubMed Central 文章上，使用 2,033 个跨章节问题和两类指标评估了六种策略：标准排序指标（MRR、Recall@k）和结构覆盖指标（SecCov@k、CS Recall）。结果揭示出鲜明的分化：内容相似度方法取得最高 MRR（0.517），但总是仅从单一章节检索，而结构感知方法的检索章节数最多可达其 15.6 倍。生成实验显示，知识图谱注入式检索将答案质量差距缩小至 delta-F1 = 0.009，同时保持 4.6 倍的章节多样性。这些发现表明，标准指标系统性低估了结构化检索的价值，而弥合多章节综合差距是生物医学 RAG 的一个关键开放问题。
