SEARCH-R：使用用于多跳问答的推理链导航器进行结构化实体感知检索

多跳问答（MHQA）旨在回答需要多步骤推理的问题。它提出了两个关键挑战：生成正确的推理路径以响应复杂的用户查询，并在面对 大语言模型 (LLM) 的潜在限制时准确检索基本知识。现有的方法主要依靠基于提示的方法来生成推理路径，并进一步与传统的稀疏或密集检索相结合以产生最终答案。然而，推理路径的生成通常缺乏对生成过程的有效控制，从而导致推理误入歧途。同时，检索方法过度依赖知识匹配或相似性评分，而不是评估信息的实际效用，导致检索到同质或无用的信息。因此，我们提出了一种名为 SEARCH-R 的具有推理链导航器框架的结构化实体感知检索。具体来说，SEARCH-R 训练了一个端到端推理路径导航器，它能够通过 微调 Llama3.1-8B 模型提供强大的子问题分解器。此外，设计了一种新颖的基于依存树的检索来定量评估文档的信息贡献。对三个具有挑战性的多跳数据集的广泛实验验证了所提出框架的有效性。代码和数据集位于：https://github.com/Applied-Machine-Learning-Lab/ACL2026_SEARCH-R。