arXiv · cs.AI · Jing Liu, Yongxing Qi, Muchen Jiang, Chengnan Hu, Qingqing Peng, Haoming Wang, Yuqing Wang, Yang Yu, Xu Zhang, Ting Wu · 10 小时前模型评分38
用因果关系与注意力机制提升 检索增强生成（RAG，Retrieval-Augmented Generation） 检索精度
From Association to Causation: Improving Retrieval Precision of Retrieval-Augmented Generation via Causal Relations and an Attention Mechanism
导读
一项研究针对检索增强生成（RAG，Retrieval-Augmented Generation）的检索阶段提出改进：标准稠密向量相似度检索常返回只与查询共享关键词、却不含所需信息的文档，且知识库越大越严重。作者用因果图建模该阶段，把查询与文档共享的关键词视为潜在共同原因，并引入注意力机制区分关联与因果关系，以提升检索精度。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “which licenses a training-free, attention-style re-scoring rule”
- “on three BEIR benchmarks the score underperforms the similarity baseline”
- “a corpus-level calibration gate selects the correct regime with >= 95% reliability”
来源：arXiv · cs.AI · arxiv.org