检索增强生成（Retrieval-Augmented Generation, RAG）旨在通过结合外部庞大且动态的知识库，增强大型语言模型（Large Language Models, LLMs），以生成更可靠和准确的回答。大多数先前的工作集中在使用RAG进行单轮问答上， 而对于如何将RAG适应于复杂的对话环境，其中问题与之前的上下文相互依赖 ，这一问题尚未得到充分研究。
为解决上述问题，提出了一种对话级别的RAG方法（ ConvRAG ），它结合了细粒度检索增强和自我检查机制，用于对话式问答（Conversational Question Answering, CQA）。具体来说，由三个组件构成，即对话式问题精炼器、细粒度检索器和基于自我检查的响应生成器，这三个组件协同工作，以在对话环境中理解问题并获取相关信息。
ConvRAG方法的整体架构
ConvRAG包含的三个关键组件：
- 对话式问题精炼器 ：通过问题重构和关键词提取，使问题意图更加明确，以便更好地理解与上下文相关联的问题。
- 细粒度检索器 ：利用问题重构和关键词从网络中检索最相关的信息，以支持响应生成。检索过程包括文档级检索、段落级召回和段落级重排，以确保获取到最有用的信息片段。
- 基于自我检查的响应生成器 ：在生成响应之前，先对检索到的信息进行自我检查，以确保使用的是有用的信息，从而提高响应的准确性。
通过在标准基准数据集上的广泛实验，ConvRAG方法在多个自动评估指标上均优于现有技术。具体来说， ConvRAG在测试集（包括已见和未见主题的测试集）上取得了显著的性能提升 。
自动评估的结果，∗ 表示该模型使用重构的问题作为输入
Boosting Conversational Question Answering with Fine-Grained Retrieval-Augmentation and Self-Check
https://arxiv.org/pdf/2403.18243.pdf
推荐阅读
- • 对齐LLM偏好的直接偏好优化方法：DPO、IPO、KTO
- • 2024：ToB、Agent、多模态
- • TA们的RAG真正投产了吗？（上）
- • Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1.2万字，20+文献，27张图）
欢迎关注我的公众号“ PaperAgent ”， 每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。