弥合长尾差距：通过多阶段释义注入实现稳健检索增强关系完成

无论有或没有检索增强生成（RAG），大语言模型（LLM）都难以解决关系完成（RC）问题，特别是当所需信息很少或稀疏表示时。为了解决这个问题，我们提出了一种新颖的多阶段释义引导的关系完成框架，RC-RAG，它系统地整合了多个阶段的关系释义。特别是，RC-RAG：（a）将释义集成到检索中以扩大关系的词汇覆盖范围，（b）使用释义生成关系感知摘要，以及（c）在生成过程中利用释义来指导关系完成的推理。重要的是，我们的方法不需要任何模型 微调。在两个基准数据集上使用五个 LLM 进行的实验表明，RC-RAG 始终优于多个 RAG 基线。在长尾设置中，使用 RC-RAG 增强的性能最佳的 LLM 比其独立性能提高了 40.6 个精确匹配 (EM) 点，并分别超过两个强大的 RAG 基线 16.0 和 13.8 EM 点，同时保持较低的计算开销。