结构引导检索-事实查询的增强生成

检索增强生成（RAG）已被提出来减轻 大语言模型（LLM）中的幻觉，其中生成的输出实际上可能不正确。然而，现有的RAG方法主要依靠向量相似度进行检索，这容易产生语义噪声，并且无法确保生成的响应完全满足事实查询指定的复杂条件，常常导致错误的答案。为了应对这一挑战，我们引入了一个新的研究问题，称为精确检索问题（ERP）。据我们所知，这是第一个将结构信息显式合并到 RAG 中的问题表述，用于满足所有查询条件的事实问题。对于这个新问题，我们提出了结构引导检索增强生成（SG-RAG），它将检索过程建模为基于嵌入的子图匹配任务，并使用检索到的拓扑结构来指导 LLM 生成满足所有指定查询条件的答案。为了促进 ERP 的评估，我们构建并公开发布了精确检索问答（ERQA），这是一个包含 120000 个面向事实的 QA 对的大型数据集，每个问答对都涉及复杂的条件，跨越 20 个不同的领域。实验结果表明，SG-RAG 显着优于 ERQA 的强大基线，在所有评估指标上实现了从 20.68 点到 50.88 点的绝对改进，同时保持了合理的计算开销。