FT-RAG：用于复杂表推理的细粒度检索增强生成框架

检索增强生成 (RAG) 通过在推理过程中将响应基于外部知识来增强 大语言模型 (LLM)。然而，传统的 RAG 系统在结构化表格数据上表现不佳，这主要是由于粗略的检索粒度和表语义理解不足。为了解决这些限制，我们引入了 FT-RAG，这是一种细粒度框架，它通过将表分解为入门级语义单元来构建结构化图，从而利用知识关联。 FT-RAG 采用结构邻居扩展机制在图检索过程中查找语义连接的实体，然后通过多模态融合来巩固表检索结果的上下文。此外，为了解决该领域专业数据集的稀缺问题，我们引入了 Multi-Table-RAG-Lib，这是一个由 9870 个具有高复杂性和难度的 QA 对组成的基准，旨在要求多表集成和文本表信息融合进行推理。 FT-RAG 在所有指标上都超越了最佳表现基线，表级和单元格级命中率分别提高了 23.5% 和 59.2%。生成性能在精确值准确率召回方面也显着提高了 62.2%。这些指标验证了框架在纯表格和异构表格文本上下文中的事实基础的有效性。因此，我们的方法为混合模态文档的复杂推理建立了新的最先进的性能。