RAG-queryuitbreiding: hoe synthetische formuleringen bewijs buiten exacte termen vinden

Synthetische query-uitbreiding verbetert vaak de recall van RAG door plausibele parafrasen en domeintermen toe te voegen die woordenschatkloven tussen vragen en opgeslagen bewijsmateriaal overbruggen.

Een gezinslid kan vragen naar “de boilerinspectie”, terwijl op de gescande factuur “jaarlijks onderhoud van de hydronische installatie” staat en de gebruikelijke huishoudelijke term nergens wordt gebruikt. Exacte lexicale zoekopdrachten missen die verbinding. Query-uitbreiding genereert alternatieve bewoordingen of een hypothetisch antwoord, doorzoekt elke representatie en voegt de kandidaten samen voordat ze opnieuw worden gerangschikt. Zo krijgt relevant bewijsmateriaal meer dan één route naar het contextvenster.

Eén vraag kan meerdere zoekintenties vertegenwoordigen

Een korte huishoudelijke zoekopdracht kan de formele productnaam, datum, locatie of terminologie uit de bron weglaten. Uitbreiding maakt deze latente interpretaties expliciet door gerelateerde zinnen, deelvragen of een synthetische passage te produceren. Sparse retrieval krijgt nieuwe overeenkomende termen, terwijl dense retrieval extra semantische perspectieven ontvangt.

De Query2doc-methode laat een taalmodel een pseudodocument genereren en voegt dit aan de oorspronkelijke zoekopdracht toe. De experimenten tonen aan dat de toegevoegde tekst zowel sparse als dense retrieval kan verbeteren zonder de onderliggende retriever opnieuw te trainen.

Dit mechanisme maakt de zoekopdracht niet waarheidsgetrouwer. Het vergroot het oppervlak voor het genereren van kandidaten, waarna fusie en herordening moeten bepalen welke kandidaten nog steeds de oorspronkelijke vraag beantwoorden in plaats van de gegenereerde uitwerking. Dit onderscheid blijft zichtbaar tijdens latere tests in het huishouden.

Synthetische passages overbruggen de woordenschatkloof tussen vraag en document

Een hypothetisch document kan lijken op de stijl en woordenschat van waarschijnlijk bewijsmateriaal, zelfs wanneer de feiten erin verzonnen zijn. Het systeem maakt een embedding van die synthetische passage en haalt echte documenten op die erbij in de buurt liggen, waarbij generatie als semantische brug wordt gebruikt en niet als bewijs dat aan de gebruiker wordt gepresenteerd.

hypothetische documentembeddings maakt hypothetische documenten aan voordat er embeddings van worden gemaakt voor zero-shot dense retrieval. De belangrijke scheiding is dat gegenereerde tekst de retrieval stuurt, terwijl de opgehaalde corpusdocumenten het enige toelaatbare bewijsmateriaal voor het uiteindelijke antwoord blijven.

Meerdere uitbreidingen kunnen afkortingen, bijnamen, vertalingen en verschillende niveaus van technische details afdekken. Het samenvoegen van kandidaten verhoogt de recall, maar deduplicatie en herordening zijn noodzakelijk, omdat tien herschrijvingen de lijst anders kunnen vullen met vrijwel identieke of slechts zwak gerelateerde fragmenten.

Uitbreiding kan afdrijven naar een plausibel maar verkeerd onderwerp

Een generator kan een ambigue naam verkeerd interpreteren, een product introduceren dat het huishouden niet bezit of een datum verzinnen. Die termen kunnen intern consistente documenten over de verkeerde entiteit ophalen, waardoor zelfverzekerder klinkende ruis ontstaat dan bij de oorspronkelijke sparse zoekopdracht.

Een gecontroleerde studie naar complementair herschrijven van zoekopdrachten laat zien dat combinaties op sommige datasets de dekking kunnen verbeteren, terwijl ze slechter presteren op een benchmark met ambigue vragen. Dat resultaat laat zien waarom uitbreiding moet worden afgestemd op het vraagtype en moet worden geëvalueerd tegen een sterke baseline.

De grens waar het misgaat ligt bij zoekopdrachten waarvan de centrale entiteit of intentie onzeker is. Behoud de oorspronkelijke zoekopdracht, label synthetische tekst als hulpmiddel voor retrieval, beperk de invloed ervan tijdens fusie en onthoud je van een antwoord wanneer uitbreidingen het niet eens zijn over de verzameling bewijsmateriaal.

Featured

ZimaCube 2 Persoonlijke Cloud Home NAS

ZimaCube2

$799.00 - $2,499.00

Buy Now

Voer een test uit naar de bijdrage van uitbreiding

Maak dertig echte huishoudelijke vragen met afkortingen, informele namen, vertalingen en formele termen die niet in de zoekopdracht voorkomen. Leg de geverifieerde ondersteunende fragmenten vast en voer vervolgens retrieval uit met alleen de oorspronkelijke zoekopdracht en met de voorgestelde uitbreidingsroute, met dezelfde index, hetzelfde top-k-budget en dezelfde reranker.

Houd recall en citatiedekking bij met de evaluatiemethode uit retrieval van afkortingen. Noteer voor elk toegevoegd relevant fragment welke herschrijving het heeft gevonden; noteer voor elke nieuwe afleider welke term de afdwaling veroorzaakte en of de herordening deze verwijderde.

Schakel uitbreiding alleen in wanneer deze de recall op achtergehouden gegevens verhoogt zonder onaanvaardbaar verlies aan precisie of extra latentie. Als de winst uitsluitend voortkomt uit een groter kandidatenbudget, vergelijk dan eerst met een run op basis van de oorspronkelijke zoekopdracht met hetzelfde budget voordat je de verbetering aan synthetische bewoordingen toeschrijft.