超越一次性扩展：多跳检索的对比证据探索

检索增强生成（RAG）关键取决于检索有效推理所需的证据。然而，这在多跳问答（QA）中仍然特别具有挑战性，其中支持段落通常通过必须逐步发现的中间实体和关系来链接。现有的检索方法通常依赖于单一检索意图或一次性查询扩展，限制了它们适应新检索到的证据的能力，并可能引入噪声或冗余的检索信号。为了解决这些限制，我们提出了一种免训练的多跳检索框架，该框架集成了证据条件探索、特定于段落的对比细化和覆盖感知的最终排名。在离线索引过程中，该框架构建了特定于段落的对比方面，这些方面相对于其语义相似的邻居来描述每个段落的特征，从而提供细粒度的信号来区分密切相关的候选者。在推理时，该框架迭代地检索证据，针对未解决的信息需求生成探针，使用对比方面细化候选相关性，并选择一组互补的段落，共同涵盖不同的证据寻求意图。 MuSiQue、HotpotQA 和 2WikiMultihopQA 上的实验表明，检索质量和下游 QA 性能相对于基线有持续改进。