基于大语言模型的查询扩展方法研究

来源：计算机技术与发展杂志2025年第03期北京时间：

作者：王海涛;师杨坤

摘要：检索增强生成(Retrieval Augmented Generation,RAG)技术能够很好地缓解传统大语言模型的幻觉问题以及在处理实时动态知识问题上的时效性问题,但已有的方法在检索的准确率和召回率方面仍有待提升。 为了解决这一问题,提出了一种基于查询重写的方法 Query2Query,旨在对查询语句进行更深层次的特征挖掘,从而提高用户输入文本与知识库文本的语义对齐度。 该方法将大语言模型视为生成器,利用其生成能力将用户输入的原始查询根据预定义的提示词(prompt)进行改写,设计了一种 TAO(Task-Action-Objective)提示词框架,从任务、行为及目标三个方面规范提示词的输出,并使用“What”“How”“Why”三个疑问词对用户原始查询进行结构化重写,扩展原始查询语义丰富度,使得重写后的查询可以覆盖更多潜在的相关信息,从而提升检索的准确率,最终将模型输出视为相关性文档,联合原始查询送入生成模型得到最终结果。 在 TERC DL’19 和 TERC DL’20 数据集上对该框架进行评估,实验结果表明,该方法在检索任务中的准确率和召回率均有所提升。

关键词：检索增强生成;大语言模型;查询扩展;特征提取;提示词