RAG-Match：用于校准语义相关性的检索增强知识注入和分层推理

搜索的语义相关性判断在知识密集型场景中尤其具有挑战性，其中准确的排名不仅需要语义匹配，还需要背景基础、多步骤推理和校准良好的决策边界。现有的相关性模型主要依赖于直接标签监督或浅层语义相似性，这限制了它们处理隐含意图、事实等价和细粒度相关性区分的能力。为了解决这个问题，我们提出了 \textsc{RAG-Match}，这是一个三阶段框架，集成了知识增强预训练、层次推理对齐和基于偏好的决策校准以进行相关性建模。关键思想是首先加强以查询为中心的语义基础，然后将模型与结构化相关性推理相结合，最后纠正困难边界情况下决策级的不一致。现实世界搜索相关性基准的实验结果表明， \textsc{RAG-Match} 在多个排名指标上始终优于基于 LLM 的强大基线，证明了将知识注入、推理监督和偏好优化相结合以进行细粒度相关性判断的有效性。