论文
MultiDocFusion：面向长工业文档增强RAG的分层多模态分块流水线
MultiDocFusion: Hierarchical and Multimodal Chunking Pipeline for Enhanced RAG on Long Industrial Documents
摘要
基于RAG的问答已成为处理长工业文档的有力方法。然而，传统文本分块方法常常忽视复杂冗长的工业文档结构，导致信息丢失与答案质量下降。为解决这一问题，我们提出MultiDocFusion，一个多模态分块流水线，它整合了：(i) 使用基于视觉的文档解析进行文档区域检测，(ii) 通过OCR从这些区域提取文本，(iii) 使用基于大语言模型（LLM）的文档章节层级解析（DSHP-LLM）将文档结构重建为层级树，以及(iv) 通过基于DFS的分组构建层级分块。在多个工业基准上的大量实验表明，与基线相比，MultiDocFusion将检索精确率提升8-15%，将ANLS问答分数提升2-3%，凸显了显式利用文档层级对多模态文档问答的关键作用。这些显著的性能提升强调了结构感知分块对于提升基于RAG的问答系统保真度的必要性。
