基于检索增强生成(RAG)的军事领域知识问答系统已经逐渐成为现代情报人员收集和分析情报的重要工具。针对目前RAG方法的应用策略中的混合检索存在可移植性不强以及非必要使用查询改写容易诱发语义漂移的问题,提出一种多策略检索增强生成...基于检索增强生成(RAG)的军事领域知识问答系统已经逐渐成为现代情报人员收集和分析情报的重要工具。针对目前RAG方法的应用策略中的混合检索存在可移植性不强以及非必要使用查询改写容易诱发语义漂移的问题,提出一种多策略检索增强生成(MSRAG)方法。首先,根据用户输入的查询特点自适应地匹配检索模型来召回相关文本;其次,利用文本过滤器提取出能够回答问题的关键文本片段;再次,使用文本过滤器进行内容有效性判断以启动基于同义词拓展的查询改写,并将初始查询与改写后的信息合并输入检索控制器以进行更有针对性的再次检索;最后,合并能够回答问题的关键文本片段和问题,并使用提示工程输入生成答案模型来生成响应返回给用户。实验结果表明,MSRAG方法在军事领域数据集(Military)和Medical数据集的ROUGE-L(Recall-Oriented Understudy for Gisting Evaluation Longest common subsequence)指标上相较于凸线性组合RAG方法分别提高了14.35和5.83个百分点。可见,MSRAG方法具备较强的通用性和可移植性,能够缓解非必要查询改写导致的语义漂移现象,有效帮助大模型生成更准确的答案。展开更多
铁路领域的知识问答具有高度的专业性和复杂性,通用大模型在应对该领域的专业问题时表现出能力不足,因此检索增强生成(RAG)架构逐渐成为应对复杂专业知识查询的主流方法。针对现有RAG方法在引入固定知识段落时常伴随噪声信息导致生成答...铁路领域的知识问答具有高度的专业性和复杂性,通用大模型在应对该领域的专业问题时表现出能力不足,因此检索增强生成(RAG)架构逐渐成为应对复杂专业知识查询的主流方法。针对现有RAG方法在引入固定知识段落时常伴随噪声信息导致生成答案的准确性受限问题,提出1种基于知识过滤的检索增强生成(KFRAG)架构。首先,生成与查询高度相关的上下文信息,为后续的知识筛选提供准确的指导;其次对检索到的知识段落进行句子级别的切分,通过计算每个句子与查询上下文的相关性得分来识别并过滤掉关联度较低的句子,减少无关信息对生成答案的干扰;最后将筛选后的关键句子与原始查询合并输入到生成模型中,以生成更为精确的答案。实验结果表明,与传统RAG方法相比,KFRAG在铁路领域问答任务中的表现更为优异,有效减少了知识噪声干扰,并在Exact Match (EM)指标和F1 Score指标上提高近10%性能,显示出在复杂专业领域中的应用潜力和推广价值。展开更多
针对高级装备维修场景下人工方式成本高、准确度依赖人员素质、无法有效利用历史维修经验等问题,提出一种改进检索增强与大语言模型(Large Language Models,LLM)思维链维修策略生成算法。即首先引入意图识别模块以优化处理路径;其次引...针对高级装备维修场景下人工方式成本高、准确度依赖人员素质、无法有效利用历史维修经验等问题,提出一种改进检索增强与大语言模型(Large Language Models,LLM)思维链维修策略生成算法。即首先引入意图识别模块以优化处理路径;其次引入分层路由机制,通过关键因素进行多层分类;再次融合多查询检索器以提升检索效果,引入上下文压缩模块以减少冗余信息,避免注意力干扰;最终通过思维链推理方法,引导大语言模型逐步生成精细化维修策略。在高级装备故障诊断与维修决策领域,以典型航空飞行器维修决策作为实验以及应用验证场景,采用提出的高效维修策略生成算法,显著提升了高级装备维修策略生成准确性与时效性。展开更多
文摘基于检索增强生成(RAG)的军事领域知识问答系统已经逐渐成为现代情报人员收集和分析情报的重要工具。针对目前RAG方法的应用策略中的混合检索存在可移植性不强以及非必要使用查询改写容易诱发语义漂移的问题,提出一种多策略检索增强生成(MSRAG)方法。首先,根据用户输入的查询特点自适应地匹配检索模型来召回相关文本;其次,利用文本过滤器提取出能够回答问题的关键文本片段;再次,使用文本过滤器进行内容有效性判断以启动基于同义词拓展的查询改写,并将初始查询与改写后的信息合并输入检索控制器以进行更有针对性的再次检索;最后,合并能够回答问题的关键文本片段和问题,并使用提示工程输入生成答案模型来生成响应返回给用户。实验结果表明,MSRAG方法在军事领域数据集(Military)和Medical数据集的ROUGE-L(Recall-Oriented Understudy for Gisting Evaluation Longest common subsequence)指标上相较于凸线性组合RAG方法分别提高了14.35和5.83个百分点。可见,MSRAG方法具备较强的通用性和可移植性,能够缓解非必要查询改写导致的语义漂移现象,有效帮助大模型生成更准确的答案。
文摘铁路领域的知识问答具有高度的专业性和复杂性,通用大模型在应对该领域的专业问题时表现出能力不足,因此检索增强生成(RAG)架构逐渐成为应对复杂专业知识查询的主流方法。针对现有RAG方法在引入固定知识段落时常伴随噪声信息导致生成答案的准确性受限问题,提出1种基于知识过滤的检索增强生成(KFRAG)架构。首先,生成与查询高度相关的上下文信息,为后续的知识筛选提供准确的指导;其次对检索到的知识段落进行句子级别的切分,通过计算每个句子与查询上下文的相关性得分来识别并过滤掉关联度较低的句子,减少无关信息对生成答案的干扰;最后将筛选后的关键句子与原始查询合并输入到生成模型中,以生成更为精确的答案。实验结果表明,与传统RAG方法相比,KFRAG在铁路领域问答任务中的表现更为优异,有效减少了知识噪声干扰,并在Exact Match (EM)指标和F1 Score指标上提高近10%性能,显示出在复杂专业领域中的应用潜力和推广价值。
文摘针对高级装备维修场景下人工方式成本高、准确度依赖人员素质、无法有效利用历史维修经验等问题,提出一种改进检索增强与大语言模型(Large Language Models,LLM)思维链维修策略生成算法。即首先引入意图识别模块以优化处理路径;其次引入分层路由机制,通过关键因素进行多层分类;再次融合多查询检索器以提升检索效果,引入上下文压缩模块以减少冗余信息,避免注意力干扰;最终通过思维链推理方法,引导大语言模型逐步生成精细化维修策略。在高级装备故障诊断与维修决策领域,以典型航空飞行器维修决策作为实验以及应用验证场景,采用提出的高效维修策略生成算法,显著提升了高级装备维修策略生成准确性与时效性。
