DID:面向复杂问答与决策支持的自适应混合RAG框架

《Expert Systems with Applications》:DID: An Adaptive Hybrid RAG Framework for Complex Question Answering and Decision Support

【字体: 大 中 小 】 时间:2026年09月28日 来源:Expert Systems with Applications 9.4

编辑推荐:

   摘要 在高要求的专家及知识密集型应用中,检索增强生成(RAG)可以减轻大语言模型(LLM)的幻觉问题,但在需要多步推理的复杂任务中表现不佳。标准RAG方法以离散信息片段的形式检索证据,无法利用异构证据的互补优势来进行基于证据的推理。为解决这一关键局限,我们提出了"分解-交互

  摘要在高要求的专家及知识密集型应用中,检索增强生成(RAG)可以减轻大语言模型(LLM)的幻觉问题,但在需要多步推理的复杂任务中表现不佳。标准RAG方法以离散信息片段的形式检索证据,无法利用异构证据的互补优势来进行基于证据的推理。为解决这一关键局限,我们提出了"分解-交互-消化"(DID)框架——一种用于基于证据推理的自适应混合RAG框架,通过联合利用知识图谱(KG)和文本数据来实现推理。首先,DID将输入查询分解为原子子问题,从而实现对缺失细节的定向检索。其次,我们设计了一种意图感知的互惠检索机制,根据子问题的意图是推断型还是描述型,自适应地选择最优数据源。该机制随后触发一个相互引导过程,其中图结构过滤文本噪声,缺失的图连接可从文本上下文中推断。最后,全局证据消化模块构建异构证据图,引入预训练的自然语言推理(NLI)分类器来显式区分支持性证据与矛盾性证据,并结合加权PageRank与冲突感知剪枝来整合跨源证据。在医疗和开放域基准上的实验,配合多种LLM骨干模型,显示DID取得了具有竞争力的整体性能并在多个基准上获得最高分。受控冲突评估进一步证明了其在证据选择和回答鲁棒性方面的提升,突出了DID在知识密集型应用中面向证据的结构化推理的价值。引言大语言模型(LLM)在语言理解和文本生成方面已展现出跨多个领域的卓越能力。然而,将LLM应用于高风险专家领域时,暴露出关键局限性。其可靠性因事实幻觉和在处理复杂查询时脆弱的多步逻辑推理而严重受损。为弥补知识缺口,检索增强生成(RAG)已作为一种强大范式崭露头角,通过集成可验证的外部知识来减轻幻觉并增强可解释性。尽管如此,虽然标准RAG在直接知识检索方面非常有效,但当场景需要对多步证据进行严格综合时,它根本无法弥补LLM固有的推理缺陷。为解决这一局限并为多步推理提供显式结构指导,检索架构已从纯语义匹配转向更具结构化的范式。现有RAG方法一般分为三类:基于文本的方法、基于知识图谱(KG)的方法以及混合方法。基于文本的方法通过语义相似度检索非结构化文档片段,但难以捕捉实体之间的严格逻辑依赖关系。基于KG的方法利用结构化知识进行显式推理,但面临图结构不完整和描述性细节有限的问题。混合方法将结构化知识与文本上下文相结合,通常使用一种模态来引导或丰富另一种模态。尽管架构有所进步,但当代混合RAG系统在部署于要求苛刻的专家推理应用时仍存在两个关键局限。首先,它们在模态之间采用僵化的交互顺序,而不论查询的内在意图如何。事实上,需要精确关系推理的推断型查询应优先考虑KG,而需要丰富上下文的描述型查询则偏向文本检索。其次,也是更为重要的,现有范式通常将检索到的证据作为孤立的 Information 片段来累积。当异构来源呈现潜在逻辑矛盾或冲突证据时,这些系统缺乏建立结构共识并过滤误导性噪声的严谨机制。为生动说明这些关键缺陷,我们在图1中展示了一个高风险临床场景,涉及一名HER2阳性乳腺癌且有心力衰竭病史的患者。在图1(a)中,基于文本的RAG识别出一般标准疗法,但因缺乏显式逻辑追踪而忽略了与既存心力衰竭相关的心脏风险考量。在图1(b)中,基于KG的RAG成功检测到高风险心脏毒性路径,但因描述性覆盖受限而无法提供可操作的临床指导。在图1(c)中,混合方法(ToG-2.0)检索了治疗标准和病史,但完全未能解决这些证据之间潜在的矛盾。由于忽视了这些关键心脏风险考量,它可能产生不够完善的建议。这突显出,一个稳健的RAG框架必须集成多种模态、根据特定查询意图调整检索策略,并在证据整合过程中显式识别和管理冲突。为系统解决这些挑战,我们提出"分解-交互-消化"(DID)框架——一个面向基于证据多步推理的混合RAG框架。与以往静态流水线不同,DID实现了意图驱动的自适应工作流。具体而言,我们将"意图"明确定义为特定子问题的内在推理需求(如推断型或描述型)。推断型意图需要从KG中获取显式结构指导以追溯逻辑依赖,而描述型意图则依赖非结构化文本提供丰富上下文细节。在此意图感知机制驱动下,DID通过动态三阶段工作流处理查询,如图1(d)所示:(1)分解:框架首先将复杂输入查询分解为可执行的原子子问题序列,系统性降低初始推理复杂度。(2)交互:随后采用意图感知的互惠检索机制,将每个子问题动态分配至最优数据源。例如,它从KG中获取特定实体如"曲妥珠单抗",同时从文本中提取上下文细节如"心脏监测要求"。这会触发相互引导过程,结构化关系和文本细节迭代细化检索范围。(3)消化:最后,DID并非进行无过滤的证据累积,而是引入全局证据消化模块。它将来自结构化事实和文本片段的异构证据合成为统一图,并采用预训练NLI分类器区分支持性、中性和矛盾性的跨模态关系。通过在正向证据图上应用加权PageRank算法识别结构支持的证据,再进行冲突感知剪枝,我们的框架对与强支持节点相矛盾的证据进行降权,并提供整合上下文以生成最终答案。本文的关键贡献总结如下:- 我们提出了分解-交互-消化(DID)框架,一种新型混合RAG范式,自适应地集成结构化逻辑和语义上下文,以突破静态流水线的僵化并支持结构化多步推理。- 我们设计了意图感知的互惠检索机制与全局证据消化模块。通过引入基于NLI的跨模态关系分类,该模块显式区分支持性证据与矛盾性证据,并结合加权PageRank与冲突感知剪枝来聚合结构支持并降低矛盾证据权重。- 在医疗长文本问答基准和通用开放域数据集上的实验结果表明,我们的框架取得了具有竞争力的整体性能,在多个基准上报告了最高分,同时展示了其跨领域的适用性。相关工作检索增强生成(RAG)已成为一种基础性范式,通过将外部知识集成到生成流程中,来增强LLM的可靠性。在医疗领域,RAG支持基于证据的临床应用,但仍面临检索噪声、领域偏移、安全性和可解释性有限等挑战。这些问题促使将结构化医学知识与更严谨的安全评估相结合。DID框架概述DID的总体框架如图2所示,表明DID通过三个顺序模块运作:(1)推理路径规划,将输入查询分解为逻辑有序的原子子问题序列。该阶段对处理逻辑依赖和缩小检索范围至关重要。(2)意图感知互惠检索,这是一个关键创新模块,根据子问题的语义意图确定初始入口点(KG或文本)。实验我们设计了系统性实验以实现四个主要目标:(1)在专业医疗和开放域任务上将DID与代表性基线进行比较;(2)评估其对冲突证据的鲁棒性及其在不同临床风险等级下的性能;(3)评估核心模块和意图感知选择机制的贡献;以及(4)分析计算效率、参数鲁棒性、可解释性和失败模式。局限性DID受限于其知识来源和评估设置。KG不完整、来源质量差异以及语料库更新延迟可能影响检索准确性。尽管全局证据消化旨在减少不一致证据,但跨多个来源共享的相关错误信息仍是一个潜在风险。使用公共基准也可能引入LLM预训练数据的污染。最后,当前评估尚不包括——结论本文介绍了分解-交互-消化(DID)框架——一种自适应混合RAG方法,通过动态异构知识集成解决了静态流水线的关键局限。通过结合意图感知互惠检索与全局证据消化,DID促进了KG和文本数据的互补使用,同时支持结构化证据集成和噪声减少。在医疗和开放域基准上的实验表明——CRediT作者贡献声明**Chen Ke-Jia(陈科佳):** 概念化、方法学、软件、验证、形式分析、调查研究、数据管理、可视化、撰写——初稿及撰写——审阅与编辑。**Ni Yu(倪宇):** 调查研究、数据管理、验证及撰写——审阅与编辑。**Hu Yuzhe(胡宇哲):** 形式分析、验证、可视化及撰写——审阅与编辑。**Liu Linfeng(刘林峰):** 概念化、方法学、监督、资源、项目管理及撰写——审阅与编辑。利益冲突声明作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:Chen Ke-Jia(陈科佳)报告获得了国家自然科学基金的财务支持。Chen Ke-Jia(陈科佳)报告获得了南京大学新型软件技术国家重点实验室基金的财务支持。若有其他作者,他们声明不存在已知的竞争性财务利益或个人关系。陈科佳 | 倪宇 | 胡宇哲 | 刘林峰
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号