用于科学综合的局部到全局句子级图重排序

检索增强的科学综合旨在通过将多篇论文的信息整合为全面且有根据的答复来回答复杂的研究问题。由于生成器只能合成由重排序器选择和组织的信息，因此生成的合成质量关键取决于重排序结果。然而，大多数重新排名者都是在文章层面进行操作，这使得关键的方法论、经验和比较信息被埋藏在冗长而平坦的上下文中，削弱了所生成主张的基础。此外，现有的重新排序主要依赖于独立的查询候选评分，它忽略了科学候选之间的互补、上下文和对比关系，限制了信息覆盖范围和结果综合的全面性。为了解决这些限制，我们提出了 LoG-Reranker，一种用于科学综合的局部到全局句子级图重排序框架。 LoG-Reranker 执行角色感知本地评分，以识别细粒度、与查询相关的句子，然后在候选集的句子图上对它们的关系进行建模，以全局细化句子排名。排名靠前的句子及其连接的邻居被组织成结构化的输入上下文，以便生成器产生更扎实、更全面的合成。关于科学合成和重新排序基准的大量实验表明，LoG-Reranker 始终优于竞争性重新排序器，产生更可靠的排名并提高生成合成的质量。