学习推理以实现个性化问答中个人上下文的多步检索

个性化问答要求答案既准确又符合用户背景与偏好。现有方法多直接利用查询检索个人文档，导致个性化流于表面。本文提出 PR2，一种融合个人上下文推理与检索的强化学习框架。PR2 学习自适应的检索 - 推理策略，决定何时检索、检索何种证据以及如何将其融入中间推理步骤。通过在个性化奖励函数下优化多轮推理轨迹，该框架强化了更契合用户偏好及上下文信号的推理路径。实验表明，PR2 在 LaMP-QA 基准上显著优于现有基线。