Geração Aumentada por Recuperação para Resposta a Perguntas Multi-Salto baseada em Planejamento Estruturado

A geração aumentada por recuperação (RAG) foi proposta para mitigar o problema de alucinação de grandes modelos de linguagem (LLMs) em tarefas intensivas em conhecimento ao incorporar conhecimento externo. No entanto, em perguntas multi-salto, os métodos iterativos de recuperação existentes frequentemente têm dificuldade em manter o foco nas informações chave. À medida que o número de iterações de recuperação aumenta, as consultas geradas podem gradualmente se afastar do caminho correto de raciocínio, e informações irrelevantes ou ruidosas podem se acumular, reduzindo, em última análise, a precisão do raciocínio. Para enfrentar esses desafios, propomos um novo método de geração aumentada por recuperação para perguntas multi-salto baseado em planejamento estruturado. Primeiro, nossa abordagem emprega um planejamento pré-recuperação da questão para fornecer orientação semântica à recuperação iterativa, garantindo maior consistência entre recuperação e raciocínio. Além disso, introduzimos um mecanismo estruturado de extração de evidências para filtrar efetivamente o ruído nas informações recuperadas, levando a uma melhor precisão do raciocínio. Resultados experimentais em três conjuntos de dados abertos de perguntas multi-salto demonstram que nosso método pode aliviar efetivamente o impacto do viés de recuperação e do ruído na recuperação, exibindo desempenho competitivo.