RCER: Reconstructing Cross-Evidence Relations for Iterative Retrieval-Augmented Generation
RCER：为迭代检索增强生成重建跨证据关系
🧭 迭代 RAG · 跨证据关系重建
Xi'an Jiaotong University · Beijing University of Posts and Telecommunications
在迭代 RAG 中重建跨证据实体对应与推理依赖，多跳 QA 平均 EM/F1 提升 2.83/3.06
📌 工作参考价值
- 在商品/店铺/活动规则等复杂问答或客服 Agent 中，可把多轮检索到的片段抽象成实体对应关系和推理依赖图，每次新证据加入时增量重建关系，驱动下一轮 query 分解，避免仅靠向量相似度重复召回。
- 把「证据获取」和「推理上下文构建」解耦：先做互补证据联合选择，再基于跨证据推理补齐隐式链条，最后组合关系回答；适合电商场景中跨文档信息拼接，如满减规则+商品类目+用户历史生成答案。
- 工程实现上，RCER 直接利用累积的 source passages，不依赖外部知识图谱或额外训练，可以低成本接入现有 RAG pipeline；在多跳、叙事型、隐式推理问题上收益更明显。
- 若业务问题偏短平快，收益有限；更值得用于导购对比、合规规则问答、售后政策推理等需要链路推理的场景。
动机：迭代 RAG 在回答复杂多跳问题时，随着新证据加入，往往难以恢复跨段落实体对应关系和推理依赖，导致证据利用不充分。
方法关键点：RCER 直接从累积的源段落中重建跨证据关系，分三阶段：
- Inter-round relational evidence acquisition：识别实体对应和关系依赖，驱动动态问题分解与后续检索；
- Reasoning context reconstruction：联合选择互补段落，并推导跨证据推断，构建连贯推理上下文；
- Cross-evidence compositional reasoning：利用推断结果建立实体对应并组合关系，完成答案推导。
关键结果：在三个 multi-hop QA 基准上，平均 EM 和 F1 分别比最佳基线高 2.83 和 3.06 分；在叙事型与隐式推理任务上表现更优。