基于RAG的多源检索问答框架--MSRAG

大规模语言模型（LLMs）已成为日常信息检索的必备工具，但受限于预训练阶段获取的知识，缺乏实时更新能力。RAG技术可以通过整合外部知识库与生成模型的能力，提高问答的准确性和相关性。但是现有RAG存在局限性，如检索文档可能与查询不完全相关，导致错误信息或不一致性；若未检索到相关内容，模型可能编造答案或生成不准确响应。

MSRAG通过整合网络检索和GPT检索，有效减少了检索信息中的噪声，并通过语义分割问题提高了检索信息的粒度和相关性。

1 工作流程

1. 首先使用GPT-3.5对原始问题进行语义分割，生成三个最相关且不重复的子问题，并进行网络检索。
2. 利用GPT-3.5的强大推理能力，对检索到的信息进行汇总和总结，得到Web信息。
3. 对于复杂多步骤问题，使用GPT-3.5替代传统搜索引擎，生成与查询相关的搜索信息，得到GPT信息。
4. 将Web信息、GPT信息和原始问题分别输入LLM，生成答案，并通过损失函数计算选择最优答案。

2 改进方法

1. 检索信息的相关性增强：提出使用GPT-3.5替代传统检索器，利用其庞大的语料库知识生成检索信息，并提出基于网络检索的方法实现细粒度知识检索。
2. 多源检索方法：为减少GPT检索的幻觉效应和网络检索的噪声，提出结合GPT检索和网络检索的多源检索框架。

3 结语

MSRAG多源检索框架，通过结合GPT-3.5的语料库知识和网络检索的实时信息，显著提升了问答系统的性能，尤其是在处理需要多步推理和细粒度知识检索的复杂问题时。

论文题目：A Multi-Source Retrieval QuestionAnsweringFramework Based on RAG

论文链接：https://arxiv.org/pdf/2405.19207

PS: 欢迎大家扫码关注公众号^_，我们一起在AI的世界中探索前行，期待共同进步！

精彩回顾

1. 离散模态信息作为细粒度标记用于多模态知识图谱补全--MyGO

2. GraphRAG的设计模式、挑战和改进思路

3. 基于多模态知识图谱的多模态推理-MR-MKG