摘要
针对检索增强生成(RAG)中多跳问答的挑战,现有迭代方法存在单粒度证据导致的信息密度与噪声平衡难题,以及中间错误累积问题。本文提出MEGRAG框架,将多跳推理表示为路径结构化的多粒度证据图。离线阶段通过跨粒度索引链接段落、句子及三元组;在线阶段根据当前查询检索并选择对齐证据,从紧凑三元组开始按需扩展上下文。该框架利用中间答案和先验推理判断初始查询是否已解决,若未解决则识别缺失信息并生成聚焦的下一步查询,否则停止检索并返回答案。实验表明该方法在多种RAG基线上均取得显著增益。
AI 推荐理由
论文核心解决多跳问答中的推理路径构建与证据整合问题,直接提升LLM的逻辑推理能力。
研究机构
东北大学
论文信息