QOQA：利用TopK文档进行查询改写，平均提升RAG 1.6% 准确率

主要观点总结

该文章介绍了一种新的查询优化方法QOQA，该方法利用TopK文档进行查询改写，旨在提高文档检索的准确率和效率。文章首先介绍了背景知识，包括大型语言模型的幻觉问题以及检索增强生成技术。然后详细阐述了QOQA的工作原理，包括借助大型语言模型优化查询、计算查询-文档对齐得分以及效果对比。实验结果显示，QOQA能够提高文档检索的平均准确率1.6%。

关键观点总结

关键观点1: 背景介绍

文章介绍了大型语言模型在文档检索中的幻觉问题，以及如何通过检索增强生成技术减少这一问题。

关键观点2: QOQA的工作原理

QOQA利用TopK文档和大型语言模型进行查询改写，通过计算查询-文档对齐得分来优化查询，旨在提高文档检索的准确率和效率。

关键观点3: 效果对比

实验结果显示，QOQA能够提高文档检索的平均准确率1.6%，并在多个数据集上表现出优越的性能。

文章预览

QOQA：利用TopK文档进行查询改写，平均提升RAG 1.6% 准确率 发布时间：2024 年 07 月 17 日 RAG Optimizing Query Generation for Enhanced Document Retrieval in RAG 尽管大型语言模型在多样的语言任务中表现卓越，但它们时常产生错误信息，即所谓的“幻觉”。检索增强生成技术通过文档检索来减少这一现象，以提供更准确的响应。然而，模糊的查询仍导致幻觉问题。本研究通过优化查询生成，并利用 LLM 精炼查询，提高了文档检索的精确度和效率。实验结果显示，这一改进使得文档检索的平均准确率提升了 1.6%。 https://arxiv.org/abs/2407.12325 1. 背景 大型语言模型（LLMs）在众多语言任务中展现出非常不错的效果，然而，LLMs中的幻觉现象正极大地削弱它们的可信度和实用性。一种解决大语言模型幻觉的方法是检索增强生成（RAG），通过检索文档来提供基于检索到文档中的事实 ………………………………