前言

文檔領域的RAG，之前的工作如ChatPDF等很多的RAG框架，文檔數量一旦增加，將導致響應準確性下降，如下圖；現有RAG方法在處理具有相似內容（在面對大量難以區分的文檔時）和結構的文檔時表現不佳；用戶查詢常常涉及元信息，還增加了檢索和生成的復雜性，導致檢索的準確性會下降，本文介紹的方法-HiQA，一種用于主要解決多文檔問答（MDQA）中的檢索增強生成方法。

數量多文檔RAG對著文檔數量的性能變化

方法

提出了HiQA框架，用于解決多文檔問答中的檢索準確性問題。該框架主要由Markdown格式化器（Markdown Formatter）、分層上下文增強器（Hierarchical Contextual Augmentor, HCA）、多路徑檢索器（Multi-Route Retriever, MRR）三部分組成。

Markdown格式化器（Markdown Formatter）

該部分主要是使用大模型的方式指導文檔解析生成markdown的過程，這樣的比較耗費時間，可以考慮替換成一些輕量的解析方法，常見的過程可以參考以往的一些文檔??《【文檔智能 & RAG】RAG增強之路：增強PDF解析并結構化技術路線方案及思路》??

下面看看這篇文章介紹的過程：

首先，使用LLM將源文檔轉換為Markdown格式的文檔，每個章節對應一個自然段落，包含章節元數據和內容。LLM的處理過程如下：

其中，D_I是輸入的PDF文檔，D_M是輸出的Markdown文檔，M_C是語言模型，D^(t)_m是第個時間步的輸出。

對于圖片引用： 利用一個名為PDFImageSearcher的開源工具，用于從文檔中提取位圖和SVG矢量圖 像，以及一個API來檢索圖像。它利用圖像周圍的文本、圖像標題和一個可選的視覺語言模型，為每個圖像生成一個描述性文件。

對表格增強：表格的語義值源自其定義，包括整體描述、標題和行/列標簽，因此，在嵌入表格時，僅關注這些語義元素，將表格視為類似文本知識。

表格嵌入。為了在嵌入過程中減少噪聲，省略了數據字段。但是，如果檢索到這些數據字段，它們將被保留以提供LLM的上下文

對圖片增強：利用視覺語言生成模型來創建描述性標題，這些標題包含了圖像的顯著特征。然后對這些標題進行嵌入。

應用視覺-語言模型生成圖像語義的文本描述，然后將其納入片段中

總之，為了得到高質量的文檔處理結果，使用指令進行生成markdown核心思想如下：

• 將文檔中的每一章，無論其級別如何，都視為Markdown中的一級標題，并附上數字標識符。將每章視為一個知識片段，而不是固定大小的塊。
• 設置正確的章節編號，后面跟著章節標題。
• 通過Markdown語法生成表格并記錄表格標題。

分層上下文增強器（Hierarchical Contextual Augmentor, HCA）

使用級聯文檔結構在數據處理過程中進行文本增強：

從Markdown文件中提取層次結構元數據，并將其級聯到每個章節，形成增強的段落。具體步驟包括：

• 使用深度優先搜索遍歷章節樹，連接和傳遞元數據。
• 對文本、表格和圖像等不同類型的段落進行不同的處理。

多路徑檢索器（Multi-Route Retriever, MRR）

最后，采用多路徑檢索方法來找到最適合的段落，并將其作為上下文輸入到語言模型中。具體方法包括：

• 向量相似性匹配：使用Elasticsearch和BM25。
• 關鍵詞匹配：使用預訓練的關鍵實體檢測模型提取關鍵詞。
• 補償向量相似性限制：結合基于頻率的檢索技術和關鍵詞排名策略。

綜合以上三個組件，形成了HiQA框架。公式如下：

其中，α、β是超參數，分別平衡向量相似性和信息檢索得分的貢獻，表示匹配的關鍵詞數量。

實驗效果

總結

本文介紹了HiQA，這是一個專門為了解決現有RAG在多文檔問答（MDQA）環境中的局限性而設計的新型框架，特別是在處理無法區分的多文檔時。利用文檔的結構元數據有效地進行塊分割和嵌入增強，并輔以多路檢索機制以提高檢索效率。

參考文獻

• HiQA: A Hierarchical Contextual Augmentation RAG for Multi-Documents QA，https://arxiv.org/pdf/2402.01767v2

本文轉載自公眾號大模型自然語言處理  作者：余俊暉

原文鏈接：??https://mp.weixin.qq.com/s/dDkB93ga4PsI-ywcwoqceQ??