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

这篇文章介绍了检索增强生成（RAG）的应用，它可以从外部知识源中检索相关信息，并且使大型语言模型（LLM）能够回答之前未见过的文档集合的查询。然而，传统的RAG应用在回答多跳问题时表现不佳，这需要检索和推理多个支持证据元素。作者提出了一种新方法，称为Multi-Meta-RAG，它使用数据库过滤和LLM提取的元数据来改善RAG选择与问题相关的来自各种来源的相关文档。虽然数据库过滤是针对特定领域和格式的一组问题，但作者发现Multi-Meta-RAG在MultiHop-RAG基准测试上大大改善了结果。该代码可在https://github.com/mxpoliakov/Multi-Meta-RAG上获得。

本论文旨在解决传统的Retrieval-Augmented Generation (RAG) 在回答多跳问题时表现较差的问题。同时，论文还试图通过使用数据库过滤和LLM提取的元数据来改进RAG选择相关文档的能力。

Multi-Meta-RAG是一种新方法，使用数据库过滤和LLM提取的元数据来改进RAG选择相关文档的能力。

论文通过实验表明，Multi-Meta-RAG在MultiHop-RAG基准测试中表现良好。此外，论文提供了代码和数据集，可以进一步研究该领域。

最近的相关研究包括：《Retrieval-Augmented Generation for Knowledge-Intensive Tasks》、《Multi-hop Reading Comprehension across Multiple Documents by Reasoning over Heterogeneous Graphs》等。