Multi-Meta-RAG: Improving RAG for Multi-Hop Queries using Database Filtering with LLM-Extracted Metadata

该文介绍了一种新的方法，称为Multi-Meta-RAG，它使用数据库过滤和LLM提取元数据来改善RAG选择相关文档的能力，以回答多跳问题，即需要检索和推理多个支持证据元素的问题。尽管数据库过滤是特定于特定领域和格式的一组问题，但我们发现Multi-Meta-RAG极大地改善了MultiHop-RAG基准测试的结果。Multi-Meta-RAG代码可在https://github.com/mxpoliakov/Multi-Meta-RAG上获得。

如何解决传统的RAG应用在多跳问题上表现不佳的问题？

使用多元数据的数据库过滤方法来提高RAG的文档选择能力，从而回答多跳问题。

论文提出了一种名为Multi-Meta-RAG的新方法，使用数据库过滤和LLM提取的元数据来改进RAG的文档选择能力。实验结果表明，Multi-Meta-RAG在MultiHop-RAG基准测试中表现优秀。作者已经开源了代码。

近期的相关研究包括使用知识图谱的多跳问题回答方法，如《Multi-hop Knowledge Graph Reasoning with Reward Shaping》。