摘要
大型语言模型在处理知识密集型任务时，常因幻觉及分散信息的碎片化推理而受阻。现有检索增强生成（RAG）方法虽引入外部源，却常将证据视为孤立单元，未能重建连接这些信息的逻辑链。受互补学习系统启发，本文提出 CodaRAG 框架，将检索从被动查找演变为主动关联发现。该框架包含三阶段：知识整合以统一碎片化提取；关联导航通过多维路径遍历图谱，显式恢复分散证据链；干扰消除以修剪噪声，确保高精度推理上下文。实验表明，该方法在检索召回率和生成准确率上均有显著提升。
AI 推荐理由
论文核心解决碎片化推理问题，通过关联检索重建逻辑链，显著提升推理准确性。
研究机构
XUANJUN CHEN
WEI-YU CHEN
HUNG-YI LEE
NATIONAL TAIWAN UNIVERSITY
TAIPEI, TAIWAN
论文信息