PAGE-RAG：面向固定预算多跳检索增强生成的来源感知图证据提升

检索增强生成（RAG）中的多跳问答通常受益于检索超出最终将被阅读的少数候选者：狭窄的检索可能会错过不可或缺的跳跃，而扩展的检索会引入主题干扰。这一挑战与特定的知识库格式无关。候选池可能来自独立检索器、标准 RAG 后端或基于图的检索管道。我们需要的是一个查询感知选择层，它可以在生成之前使用关系结构来过滤候选者。 PAGE-RAG 通过使用图形作为临时选择结构来解决此设置，而不是假设图形结构的知识库。它在检索到的候选者上构建一个查询本地图，记录候选者连接的原因，并将每个连接视为支持假设而不是支持本身。我们将由此产生的故障模式识别为连接支持差距：连接的候选者不一定支持答案。我们提出了 PAGE-RAG，一种来源感知图证据提升方法，该方法对候选路径的相关性、源追踪元数据、特异性、中心性、噪声和一致性信号进行评分，并应用最小的充分选择来将支持事实提升到紧凑的读者上下文中。 PAGE-RAG 可以作为完整的检索到读取管道，并且可以在现有检索或 RAG 系统之后插入相同的提升阶段，而无需替换其上游检索逻辑。在相同最终预算下的三个多跳 QA 基准测试中，PAGE-RAG 将支持 F1 和答案 F1 的支持 F1 和答案 F1 比强大的检索器的加权平均提高了 10.4 和 3.3 个点。作为一个插件，PAGE-RAG 进一步改进了所有报告的 RAG 后端，包括面向推理、基于压缩、基于图形和文档/块级系统。