论文
基于树结构的证据密集型问答框架：通过自适应规划与拓扑感知证据收集
A Tree-based RAG Framework for Evidence-Intensive QA via Adaptive Planning and Topology-Aware Evidence Gathering
摘要
最近的结构化 RAG 方法利用基于树或图的推理结构来改进多跳 QA。然而，它们在证据密集型 QA 中面临关键限制，回答问题需要综合分散在数十甚至数百个文档中的信息：结构僵化，限制了自适应推理扩展；拓扑未知的证据收集，阻碍了跨不同推理节点的证据的有效整合。为了解决这些问题，我们提出了 APT-RAG，一种自适应规划和拓扑感知证据收集 RAG 框架。自适应规划根据问题依赖性和证据要求动态扩展推理结构，而拓扑感知证据收集通过兄弟证据重用、直接检索和来自子节点的证据聚合来提高证据覆盖率。我们进一步引入证据引导的批量答案生成，以减少证据密集型 QA 中的显着生成开销。在证据密集型 QA 基准的实验中，APT-RAG 优于现有的结构化 RAG 方法。我们的代码可在此 https URL 获取。
