[论文翻译]Blended RAG: 通过语义搜索和混合查询检索器提高 RAG (Retriever-Augmented Generation) 的准确性

摘要—检索增强生成 (Retrieval-Augmented Generation, RAG) 是一种常见的方法，通过将私有文档知识库与大语言模型 (LLM) 结合，构建生成式问答 (Generative Q&A) 系统。然而，随着文档库规模的扩大，RAG 的准确性变得越来越具有挑战性，检索器 (Retriever) 在整体 RAG 准确性中扮演着重要角色，它从文档库中提取最相关的文档，为 LLM 提供上下文。在本文中，我们提出了“混合 RAG”方法，利用语义搜索技术（如密集向量索引 (Dense Vector Indexes) 和稀疏编码器索引 (Sparse Encoder Indexes)），并结合混合查询策略。我们的研究在信息检索 (Information Retrieval, IR) 数据集（如 NQ 和 TREC-COVID 数据集）上取得了更好的检索结果，并设定了新的基准。我们进一步将这种“混合检索器”扩展到 RAG 系统中，在生成式问答数据集（如 SQUAD）上展示了显著优于微调性能的结果。