QueryFlow 提出多跳图检索新方法，查询与证据表示协同演化
论文AI 评分 66/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
arXiv 论文 QueryFlow 针对多跳检索增强生成提出新方法：把多跳证据回收看作证据表示与查询条件的耦合演化，让累积的上下文同时影响检索器表示什么、以及如何搜索补充证据。具体做法是把图上下文经查询条件生成的摘要循环并入共享查询状态，由该状态控制后续传播的边界输入与关系特征。在四个多跳问答数据集上，相比代表性基线，宏 Recall@10、Full Recall@10 与 LLM-Acc 分别提升 4.98、8.40 和 8.0 个百分点。作者指出，固定查询的图检索器只更新实体表示，不随累积的关系上下文调整查询条件。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
多跳检索增强生成要在有限的检索预算内，跨相关页面找回互补证据，用于网页信息查找与事实核验。论文指出两类已有做法的局限：一是把证据单元单独对照原始问题打分，会漏掉那些要经过中间事实才显现相关性的支撑单元；二是迭代检索虽能把中间事实带进后续查询，图检索虽显式建模证据单元之间的关系，但固定查询的图检索器只更新实体表示，不随已累积的关系上下文调整查询条件。
方法的核心思路
作者把多跳证据回收视为证据表示与查询条件的耦合演化：累积的上下文既决定检索器表示什么，也决定它如何去找补充证据。QueryFlow 据此把图上下文中按查询条件生成的摘要循环整合进一个共享查询状态，再由这个状态控制后续传播时的边界输入与关系特征。也就是说，查询条件不是固定不变的输入，而是随每一轮图传播的结果被持续改写。
实验设置与结果
论文在四个具有代表性的多跳问答数据集上评测。与代表性基线相比，QueryFlow 的宏 Recall@10 提升 4.98 个百分点，Full Recall@10 提升 8.40 个百分点，LLM-Acc 提升 8.0 个百分点。三项指标分别对应部分证据的召回、完整证据链的召回，以及最终由大模型作答的准确率，覆盖了从检索到答题的链路。
为什么值得看
多跳 RAG 的检索预算有限，查询条件能否随证据累积而演化，直接影响召回与最终答题准确率。
论文数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。