RAG-Abfrageerweiterung: Wie synthetische Formulierungen Belege jenseits exakter Begriffe findet

Synthetische Query-Erweiterung verbessert häufig den Recall von RAG, indem sie plausible Paraphrasen und Fachbegriffe hinzufügt, die Vokabularlücken zwischen Fragen und gespeicherten Belegen überbrücken.

Ein Familienmitglied fragt möglicherweise nach „der Heizungsinspektion“, während auf der gescannten Rechnung „jährlicher Wartungsdienst für die Warmwasserheizung“ steht und die haushaltsübliche Formulierung dort nie verwendet wird. Eine exakte lexikalische Suche erkennt diese Verbindung nicht. Die Query-Erweiterung erzeugt alternative Formulierungen oder eine hypothetische Antwort, durchsucht jede Darstellung und führt die Kandidaten vor dem Reranking zusammen. Dadurch gelangt relevante Evidenz auf mehr als einem Weg in das Kontextfenster.

Eine Frage kann mehrere Suchintentionen darstellen

Eine kurze Haushaltsanfrage lässt möglicherweise den formalen Produktnamen, das Datum, den Ort oder die im Ausgangstext verwendete Terminologie aus. Die Erweiterung macht diese latenten Interpretationen explizit, indem sie verwandte Ausdrücke, Teilabfragen oder einen synthetischen Abschnitt erzeugt. Die Sparse-Retrieval-Suche erhält neue passende Begriffe, während Dense Retrieval zusätzliche semantische Perspektiven erhält.

Die Query2doc-Methode fordert ein Sprachmodell auf, ein Pseudo-Dokument zu erzeugen, und hängt es an die ursprüngliche Anfrage an. Die Experimente zeigen, dass der zusätzliche Text sowohl Sparse als auch Dense Retrieval verbessern kann, ohne den zugrunde liegenden Retriever neu zu trainieren.

Der Mechanismus macht die Anfrage nicht wahrheitsgetreuer. Er erweitert die Oberfläche der Kandidatengenerierung. Anschließend müssen Fusion und Reranking entscheiden, welche Kandidaten weiterhin die ursprüngliche Frage beantworten und nicht die vom Modell erzeugte Ausarbeitung. Diese Unterscheidung bleibt auch bei späteren Tests im Haushalt sichtbar.

Synthetische Abschnitte überbrücken die Vokabularlücke zwischen Anfrage und Dokument

Ein hypothetisches Dokument kann Stil und Vokabular der erwarteten Belege nachahmen, selbst wenn seine Fakten erfunden sind. Das System bettet diesen synthetischen Abschnitt ein und ruft echte Dokumente ab, die in seiner Nähe liegen. Die Generierung dient dabei als semantische Brücke und nicht als dem Nutzer präsentierte Evidenz.

Hypothetische Dokument-Embeddings erzeugen vor dem Einbetten hypothetische Dokumente für Dense Retrieval im Zero-Shot-Verfahren. Entscheidend ist die klare Trennung: Der generierte Text steuert den Abruf, während die zurückgegebenen Dokumente aus dem Korpus die einzig zulässige Evidenz für die endgültige Antwort bleiben.

Mehrere Erweiterungen können Abkürzungen, Spitznamen, Übersetzungen und unterschiedliche Detailstufen abdecken. Die Vereinigung der Kandidaten erhöht den Recall. Deduplizierung und Reranking sind jedoch notwendig, da zehn Umschreibungen die Liste sonst mit nahezu identischen oder nur schwach verwandten Abschnitten füllen können.

Die Erweiterung kann zu einem plausiblen, aber falschen Thema abdriften

Ein Generator kann einen mehrdeutigen Namen falsch auflösen, ein Produkt einführen, das der Haushalt nicht besitzt, oder ein Datum erfinden. Diese Begriffe können in sich schlüssige Dokumente zur falschen Entität abrufen und dadurch selbstbewusster wirkendes Rauschen erzeugen als die ursprüngliche Sparse-Anfrage.

Eine kontrollierte Studie zum komplementären Umschreiben von Anfragen zeigt, dass Kombinationen die Abdeckung bei einigen Datensätzen verbessern können, während sie bei einem Benchmark mit mehrdeutigen Fragen schlechter abschneiden. Dieses Ergebnis zeigt, warum Erweiterungen nach Abfragetyp gesteuert und mit einer starken Baseline bewertet werden sollten.

Die kritische Fehlergrenze liegt bei Anfragen, deren zentrale Entität oder Intention unklar ist. Bewahren Sie die ursprüngliche Anfrage auf, kennzeichnen Sie synthetischen Text als Abrufhilfe, begrenzen Sie seinen Einfluss während der Fusion und verzichten Sie auf eine Antwort, wenn die Erweiterungen hinsichtlich der Evidenzmenge voneinander abweichen.

Featured

ZimaCube 2 Persönliche Cloud Home NAS

ZimaCube2

$799.00 - $2,499.00

Buy Now

Führen Sie einen Test zum Beitrag der Erweiterung durch

Erstellen Sie dreißig echte Haushaltsfragen mit Abkürzungen, informellen Namen, Übersetzungen und formalen Begriffen, die in der Anfrage fehlen. Erfassen Sie die verifizierten unterstützenden Abschnitte und führen Sie anschließend sowohl den Abruf ausschließlich anhand der ursprünglichen Anfrage als auch die geplante Erweiterungsroute mit demselben Index, demselben Top-k-Budget und demselben Reranker aus.

Erfassen Sie Recall und Zitierabdeckung mithilfe der Evaluationsmethode aus dem Beitrag Abruf von Abkürzungen. Speichern Sie für jeden zusätzlich gefundenen relevanten Abschnitt, welche Umschreibung ihn gefunden hat. Notieren Sie für jeden neuen Ablenkungstreffer den Begriff, der die Abweichung verursacht hat, und ob das Reranking ihn entfernt hat.

Aktivieren Sie die Erweiterung nur dort, wo sie den Recall auf zurückgehaltenen Testdaten erhöht, ohne einen unvertretbaren Präzisionsverlust oder eine unvertretbare Latenz zu verursachen. Wenn die Verbesserungen lediglich auf einem größeren Kandidatenbudget beruhen, vergleichen Sie sie mit einem Lauf auf Basis der ursprünglichen Anfrage und demselben Budget, bevor Sie die Verbesserung der synthetischen Formulierung zuschreiben.