RAPTOR: RECURSIVE ABSTRACTIVE PROCESSING FOR TREE-ORGANIZED RETRIEVAL
Title：树组织检索的递归抽象处理
https://arxiv.org/pdf/2401.18059.pdf
摘要
检索增强语言模型可以更好的融入长尾问题，但是现有的方法只检索短的连续块，限制了整个文档上下文的整体理解。
文本提出方法：递归对文本块进行向量化，聚类，摘要，从下到上构建一棵具有不同摘要级别的树。
介绍
要解决的问题是，大多数现有的方法只检索几个短的、连续的文本块，这限制了它们表示和利用大规模话语结构的能力。
这与需要整合文本多个部分知识的主题问题特别相关，前k个检索到的短连续文本将不包含足够的上下文来回答问题。
为了解决这个问题，我们设计了一个索引和检索系统，该系统使用树结构来捕获文本的高级和低级细节。
相关工作
1.为什么需要检索：
模型往往没有充分利用长期上下文，并且随着上下文长度的增加，尤其是当相关信息嵌入到长上下文中时，性能会下降。此外，实际上，使用长上下文既昂贵又缓慢。
2.检索方法：
基于术语的方法（TFIDF，BM25）到基于深度学习的策略。
检索增强大模型包含多个组件：检索模块，阅读器，端到端系统训练。
向量化的检索方法缺点：连续分割可能无法捕捉到文本的完整语义深度。阅读从文件中提取的片段可能缺乏重要的上下文，使其难以阅读，甚至具有误导性。
3.递归总结：
摘要技术提供了文档的浓缩视图，使您能够更集中地处理内容。使用段落的摘要和片段，提高了大多数数据集的正确性，但有时可能是一种有损的压缩方式。
递归抽象摘要模型采用任务分解来总结较小的文本块，然后将其集成以形成较大部分的摘要。虽然这种方法可以有效地捕捉更广泛的主题，但它可能会错过细微的细节。
LlamaIndex通过类似地总结相邻的文本块，但也保留中间节点，从而存储不同级别的细节，保持细粒度的细节，从而缓解了这一问题。
然而，由于这两种方法都依赖邻接来对相邻节点进行分组或汇总，它们仍然可能忽略文本中遥远的相互依存关系。
方法
总体结构通过构建递归树结构来解决阅读中的语义深度和连接问题，该结构平衡了更广泛的主题理解和细粒度的细节，并允许根据语义相似性而不仅仅是文本中的顺序对节点进行分组。
step1.将语料库文本进行切分，每个切片大小为100个字符，但会保持句子的完整性。使用sbert对每个切片进行向量嵌入，切片和向量会形成树的叶子结点。
step2.使用聚类方法对切片进行分组，分组后的切片组使用LLM进行摘要总结。这样嵌入、聚类、总结循环进行，直到聚类不可行。最后生成了文档的树形结构表示。
step3.树的查询使用两种策略：树遍历和折叠树。树遍历方法逐层遍历树，每层进行树修剪并选择最相关的点。折叠树方法对所有层的节点进行集中评估。
聚类方法
聚类方法的一个独特要求是使用软集群，其中节点可以属于多个集群，而不需要固定数量的集群。这种灵活性至关重要，因为单个文本片段通常包含各种主题相关的信息，从而保证将其包含在多个摘要中。
本文使用混合高斯聚类方法（GMM），是一种软聚类方法，每个样本可以根据概率属于多个聚类簇。本文还使用了分层聚类（全部聚类和局部聚类），分两步进行的聚类过程捕获了文本数据之间的广泛关系，从广泛的主题到特定的细节。
基于模型的总结
摘要步骤将潜在的大量检索信息浓缩为可管理的大小。虽然摘要模型通常会产生可靠的摘要，但一项重点注释研究显示，约4%的摘要包含轻微幻觉。这些不会传播到父节点，也不会对问答任务产生明显影响。
查询
树遍历
树遍历方法首先基于前k个最相关的根节点与查询嵌入的余弦相似性来选择它们。在下一层考虑这些所选节点的子节点，并且基于它们与查询向量的余弦相似性再次从该池中选择前k个节点。重复此过程，直到我们到达叶节点。最后，将所有选定节点的文本连接起来，形成检索到的上下文。通过调整在每一层选择的深度d和节点k的数量，树遍历方法提供了对所检索信息的特异性和广度的控制。该算法从广阔的前景开始，通过考虑树的顶层，并在向下穿过较低层时逐渐关注更精细的细节。
折叠树
折叠树方法提供了一种更简单的方法，通过同时考虑树中的所有节点来搜索相关信息。这种方法不是一层一层地进行，而是将多层树扁平化为一层，基本上将所有节点放在同一级别进行比较。
实验
详情见论文。
总结
在本文中，我们提出了RAPTOR，这是一种新颖的基于树的检索系统，它利用不同抽象级别的上下文信息增强了大型语言模型的参数知识。通过使用递归聚类和摘要技术，RAPTOR创建了一个分层树结构，能够合成检索语料库各个部分的信息。在查询阶段，RAPTOR利用这种树结构进行更有效的检索。我们的对照实验表明，RAPTOR不仅优于传统的检索方法，而且在几个问答任务上设置了新的性能基准。
