PRISM-RAG：烟草产品和立法政策推理的多模态超图检索增强生成

跨司法管辖区消除语义相似的法定文本的歧义是现有方法无法解决的检索问题。这种上下文间的冲突可以引导生成模型自信地生成基于主题相关但管辖权不正确的来源的答案。烟草和尼古丁法规因美国司法管辖区而异，通常使用相似的语言，因此，强有力的推理需要确定哪个司法管辖区的法律管辖特定产品，而不仅仅是检索相关文本。新兴产品（例如袋子）利用模糊的定义来逃避监管。最先进的（SOTA）文档检索增强生成（RAG）方法难以解决这种上下文间冲突，因此难以将图像属性（例如，丰富的属性标题）连接到一组相似的立法文本。我们推出了 NicoPRISM（尼古丁产品和法规图像和文本多模态监控），其中包含 161,563 张图像、属性说明、涵盖美国 13 个司法管辖区的产品、健康和立法文件的知识库，以及跨两项任务的 1,495 个经过验证的问答对：政策合规性 QA 和产品知识 QA。我们还提出了 PRISM-RAG，一种在图像、标题和实体上构建的多模态超图 RAG 框架，在索引时无需任何 LLM 调用，将每个查询基于产品图像，并通过管辖区感知上下文组装机制路由检索，确保来自查询管辖区的法定文本通过构造到达语言模型。 PRISM-RAG 在 93.9% 的策略合规性查询中从正确的管辖区检索段落，比标准 RAG 高出 48.6 个百分点 (p<0.001)，在索引时使用零个 LLM 调用，在查询时使用 1 个 LLM 调用，并且在关键字、语义、管辖区和合规性准确性指标方面与 SOTA RAG 框架竞争或优于 SOTA RAG 框架。