Who Speaks Matters: Authority-Aware Multi-View RAG over Italian Parliamentary Proceedings
谁发言重要：面向意大利议会记录的权威感知多视角RAG
🧭 权威感知的多视角 RAG 专家检索
University of Milano-Bicocca, Milan, Italy
以查询依赖的说话者权威模型驱动多视角摘要，在议会语料上实现高引文忠实度与政治团体覆盖
📌 工作参考价值
- 在电商评价、内容导购或专家问答中，可对 UGC 作者/KOL 构建查询依赖的权威度特征（职业、历史发言、主题相关度），而非仅按点赞量或影响力加权，降低头部作者主导。
- 多视角摘要可迁移到商品评论区、直播切片观点提取：先检索相关 chunk，再识别跨立场的领域专家，最后生成综合摘要并强制附带原文引用，配合 faithfulness 校验降低错误归因。
- 可借鉴政治团体覆盖度指标，在推荐或内容聚合场景衡量不同品牌/品类/观点群体的覆盖，防止少数头部主导曝光，提升多样性。
- 架构上将「检索 → 专家识别 → 综合生成」解耦，便于在 Agent 系统中替换各模块（如专家知识图谱、引用验证器）。
动机：议会记录是民主协商的原始档案，但体量大、碎片化，公民、记者和研究者难以获得多视角视图。直接对议会文本应用 RAG 存在三类风险：高频发言者主导结果、无法按主题专长给发言者赋权、政治敏感文本中的引用错误归属。
方法关键点：ParliamentRAG 系统将上述风险联合解决。核心是一个 topic-dependent authority model，将每个发言者的权威度建模为当前 query 的函数，融合职业、教育背景、历史发言等可解释特征。给定用户查询，系统先检索相关 speech chunk，然后在各议会团体中识别主题相关专家，最后生成综合不同视角的摘要，并附支持性引文。系统结合 Knowledge Graphs 支持专家识别与可解释性。
关键结果：在 15 个政策主题上，与 Google NotebookLM 进行自动指标和六位领域专家盲 A/B 对比。ParliamentRAG 的政治团体覆盖率为 0.97（NotebookLM 0.95），引文忠实度 1.00（NotebookLM 0.95），在来源相关维度上获得更强专家偏好；NotebookLM 在散文流畅性等维度上仍占优势。