.png){kind=icon}
返回
A Survey on Knowledge-Oriented Retrieval-Augmented Generation
.png){kind=icon}
PRE
AI
DOI：10.1145/3833415.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
检索增强生成（RAG）近年来因其通过结合大规模检索系统与生成模型来提升自然语言理解和生成能力的潜力而受到广泛关注。RAG利用外部知识源，如文档、数据库或结构化数据，以提高模型性能并生成更准确且上下文相关的输出。本文旨在通过考察其基本组成部分，包括检索机制、生成过程以及两者之间的集成，对RAG进行全面概述。我们讨论了RAG的关键特性，如其能够用动态外部知识增强生成模型的能力，以及与对齐检索信息与生成目标相关的挑战。我们还提出了一种分类方法，将RAG方法从基本的检索增强方法到集成多模态数据与推理能力的更高级模型进行分类。此外，我们回顾了评估RAG系统常用的基准和数据集，并对RAG在问答、摘要和信息检索等领域的应用进行了详细探讨。最后，我们强调了新兴的研究方向和改进RAG系统的机会，如增强检索效率、模型可解释性和领域特定适配。本文总结概述了RAG在解决现实世界挑战方面的前景及其推动自然语言处理进一步发展的潜力。
Keyword:
Information Retrieval
Retrieval-augmented Generation
Large Language Model
