网站开发合同售后服务,wordpress 年份索引,店铺推广文案,制作网站找云优化1 查询/索引部分
1.1 层次索引 创建两个索引——一个由摘要组成#xff0c;另一个由文档块组成分两步进行搜索#xff1a;首先通过摘要过滤出相关文档#xff0c;接着只在这个相关群体内进行搜索
1.2 假设性问题
让LLM为每个块生成一个假设性问题#xff0c;并将这些问…1 查询/索引部分
1.1 层次索引 创建两个索引——一个由摘要组成另一个由文档块组成分两步进行搜索首先通过摘要过滤出相关文档接着只在这个相关群体内进行搜索
1.2 假设性问题
让LLM为每个块生成一个假设性问题并将这些问题以向量形式嵌入在运行时针对这个问题向量的索引进行查询搜索用问题向量替换文档的块向量检索后将原始文本块作为上下文发送给LLM以获取答案这种方法由于查询和假设性问题之间的语义相似性更高从而提高了搜索质量
1.3 句子窗口检索
文档中的每个句子都被单独嵌入向量在检索到的关键句子前后各扩展k个句子然后将这个扩展的上下文发送给LLM 1.4 父文档检索器自动合并检索器
文档被分割成一个层级化的块结构随后用最小的叶子块进行索引在检索过程中检索出top k个叶子块如果存在n个叶子块都指向同一个更大的父块那么我们就用这个父块来替换这些子块并将其送入大模型用于生成答案。 1.4 查询扩展
1.4.1 使用生成的答案进行查询扩展
Precise Zero-Shot Dense Retrieval without Relevance Labels
给定输入查询后这种方法首先会指示 LLM 提供一个假设答案无论其正确性如何然后将查询和生成的答案合并在一个提示中并发送给检索系统 基本目的是希望检索到更像答案的文档。假设答案的正确性并不重要因为感兴趣的是它的结构和表述 1.3.2 用多个相关问题扩展查询
Query Expansion by Prompting Large Language Models
利用 LLM 生成 N 个与原始查询相关的问题将所有问题加上原始查询发送给检索系统。通过这种方法可以从向量库中检索到更多文档。 参考内容
提升RAG检索质量的三个高级技巧查询扩展、交叉编码器重排序和嵌入适配器
