论文页面 - Hi-Q：面向多跳问答的层次化证据引导查询优化

来源：https://huggingface.co/papers/2608.30468

摘要

Hi-Q 是一个证据条件框架，它能根据语料库支持信号，将多跳查询动态优化为层次化树结构，从而提升检索与答案的准确性，且无需依赖固定图结构。

多跳问答（QA）的一个核心瓶颈在于：问题的表达粒度往往与语料库证据的可检索粒度存在差异。现有方法通过以下方式应对这种不匹配：在语料库上强加固定图结构、迭代地重构查询，或在语料库上执行生成的程序。然而，这些策略并未明确判断一个查询单元何时已得到证据支持，何时应当被优化。我们将此瓶颈形式化为可检索粒度发现问题（https://huggingface.co/papers?q=retrievable%20granularity%20discovery），并引入 Hi-Q，一个用于层次化查询优化（https://huggingface.co/papers?q=hierarchical%20query%20refinement）的证据条件框架。在每个查询节点，一个解析算子（https://huggingface.co/papers?q=resolution%20operator）会测试检索到的证据是否支持当前查询单元；已解析的节点终止处理，而未解析的节点则通过一个保持依赖关系的二元算子（https://huggingface.co/papers?q=dependency-preserving%20binary%20operator）进行扩展，并由一个语义覆盖验证器（https://huggingface.co/papers?q=semantic%20coverage%20verifier）进行检查。因此，Hi-Q 生长出一个查询树（https://huggingface.co/papers?q=query%20tree），其拓扑结构由语料库支持信号决定，而非固定分解模板或预构建图。我们在三个多跳问答（https://huggingface.co/papers?q=multi-hop%20QA）基准上评估了 Hi-Q，主要是在全语料库检索（https://huggingface.co/papers?q=full-corpus%20retrieval）设置下进行，此时相关证据必须在开放域干扰项中定位，而非在小规模标注池内。在此设置下，Hi-Q 在三个基准上的平均值达到 52.3 EM 和 64.0 F1，较迭代检索基线 IRCoT 在相同平均值上领先 15.1 EM / 18.2 F1，较基于图的 RAG 基线 PropRAG 在 MuSiQue-full 数据集上领先 11.5 EM / 12.0 F1，且无需构建全语料库图。在先前工作使用的受限支持/干扰项设置中，Hi-Q 同样达到了最佳准确率，平均为 57.9 EM 和 69.3 F1，较 PropRAG 领先 5.6 EM / 3.9 F1，较 IRCoT 领先 13.7 EM / 15.8 F1。项目主页可通过 https://hi-q-project.github.io/ 访问。

查看 arXiv 页面 (https://arxiv.org/abs/2608.30468) 查看 PDF (https://arxiv.org/pdf/2608.30468) 项目主页 (https://hi-q-project.github.io/) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2608.30468)

引用此论文的模型0

没有模型关联此论文

在模型的 README.md 中引用 arxiv.org/abs/2608.30468 以从此页面链接。

引用此论文的数据集0

没有数据集关联此论文

在数据集的 README.md 中引用 arxiv.org/abs/2608.30468 以从此页面链接。

引用此论文的空间0

没有空间关联此论文

在空间的 README.md 中引用 arxiv.org/abs/2608.30468 以从此页面链接。

包含此论文的收藏夹0

没有收藏夹包含此论文

将此论文添加到收藏夹 (https://huggingface.co/new-collection) 以从此页面链接。