论文
HiKEY：面向开放域文档问答的层次化多模态检索
HiKEY: Hierarchical Multimodal Retrieval for Open-Domain Document Question Answering
摘要
面向大规模工业语料中文档型开放域问答（ODQA）的检索增强生成（RAG）面临两个关键瓶颈：定位正确文档时的路由失败，以及整合分散信息时的证据碎片化。依赖扁平文本块或页面级图像的现有方法天然难以：（i）在数千候选中精确定位目标文档；（ii）在有限token预算内有机关联表格、插图等多模态证据。为应对这些挑战，我们提出HiKEY，一个层次化树状多模态检索框架，它将文档层次提升为一级检索信号。HiKEY不采用简单分块，而是通过文档层次解析（DHP）重建逻辑异构图，显式编码父子关系。采用层次化由粗到细策略，该框架：（1）利用层次索引执行全局路由以快速剪枝搜索空间；（2）进行细粒度检索，通过捕捉最具判别力证据的多模态融合策略对各章节排序。最后，HiKEY通过结构与语义混合打包策略组装出token高效的证据子图。在ODQA基准上的实验表明，HiKEY显著优于基于页面和分块的基线，检索召回率最多提升12.9%，端到端问答性能最多提升6.8%。
