DMQR-RAG: Diverse Multi-Query Rewriting for RAG

大型语言模型经常面临静态知识和幻觉的挑战，这些挑战削弱了它们的可靠性。检索增强生成（RAG）通过引入外部信息来缓解这些问题。然而，用户查询中经常包含噪声和意图偏差，需要进行查询重写以提高检索文档的相关性。在本文中，我们介绍了DMQR-RAG，这是一种多样化的多查询重写框架，旨在提高RAG在文档检索和最终响应方面的性能。具体来说，我们研究了不同信息量的查询如何检索出多样化的文档，并提出了四种在不同信息层次上运作的重写策略，以提升基线方法的性能。此外，我们还提出了一种自适应策略选择方法，该方法在优化整体性能的同时，最小化重写的次数。我们的方法通过在学术和工业环境中进行的大量实验得到了严格验证。

该论文旨在解决大型语言模型在处理静态知识和产生幻觉信息时的可靠性问题。这些问题通过检索增强生成（RAG）方法部分得到缓解，但用户查询中的噪声和意图偏差仍然影响检索文档的相关性。

论文提出了DMQR-RAG，一个多样化的多查询重写框架，旨在通过不同信息量的查询来检索多样化的文档，从而提高RAG的性能。与现有方法相比，DMQR-RAG通过四种不同的重写策略和一种自适应策略选择方法，优化了文档检索和最终响应的质量。

论文通过学术和行业环境中的大量实验验证了方法的有效性。实验设计包括多种信息量的查询重写策略，以及一个自适应策略选择方法，以减少重写的次数并优化整体性能。此外，论文提供了详细的实验结果和分析，展示了方法在不同场景下的表现。虽然论文没有明确提到代码开源，但其详细的方法描述为后续研究提供了坚实的基础。

近年来，关于检索增强生成的研究逐渐增多，相关工作包括：1)《Dense Passage Retrieval for Open-Domain Question Answering》（Karpukhin et al., 2020），提出了一种密集向量检索方法；2)《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》（Lewis et al., 2020），探讨了RAG在知识密集型任务中的应用；3)《Query Rewriting for Retrieval-Augmented Generation》（Wang et al., 2021），研究了查询重写对RAG性能的影响。