ClusterRAG：基于集群的协同过滤，用于个性化检索增强生成

个性化检索增强生成 (RAG) 依赖于准确选择与用户相关的文档。在实践中，现有的 RAG 方法常常遭受高检索成本的困扰，并且忽视了来自相似用户的协作信号可以增强当前用户的个性化生成。我们提出 ClusterRAG，一种基于集群的协作过滤，用于个性化检索增强生成。 ClusterRAG 通过用户的个人资料文档来表示用户，使用基于密度的聚类将用户组织成语义一致的集群，并通过集群级别的相似性和细粒度排名在集群和文档级别执行检索。 LaMP 基准测试的大量实验表明，联合利用目标用户的个人资料和来自顶级相似用户的个人资料，可以在不同的任务中始终获得最佳性能。进一步的分析表明，ClusterRAG 与不同的密集 检索器 和排序器无缝集成，并且在与微调和零样本语言模型配对时仍然有效。