#Multi-hop Retrieval

3 篇

Beyond One-Shot Expansion: Contrastive Evidence Exploration for Multi-Hop Retrieval

超越一次性扩展：多跳检索的对比证据探索

🧭 多跳 RAG 检索 · 对比证据探索 ★ 深度解读

Chung-Ang University

训练免的多跳检索框架，通过对比 facet 索引、证据条件探索和覆盖感知重排提升 RAG 证据召回

📌 工作参考价值（4 点）

可直接迁移到电商搜索中的复杂意图查询：将原始 query 视为多跳证据链的起点，利用 LLM 基于已检索商品/属性生成下一轮 probe，逐步发现缺失的品类、品牌或属性约束，避免一次性扩展引入噪声。
借鉴 passage-specific contrastive facets 思想：为每个商品或知识片段离线生成“区分性问答对”（如“该商品与相似商品的差异点”），在召回阶段作为附加信号，帮助提升稠密检索对相似商品的区分度，避免同款/相似款混淆。
Coverage-aware 贪心选择可以用于重排：在电商推荐或广告素材排序中，用生成多个 probe 分别代表不同用户意图，通过最大化边际覆盖增益选择集合，保证最终结果覆盖不同意图而非重复满足同一需求。
工程上，该框架 training-free，只需复用已有 embedding 和 LLM；但离线对比 facet 构建和在线多轮 LLM 调用成本较高，可以先在小而美的商品知识库上预计算，或者限制邻居数量和轮数来权衡 latency。

RAG | 2026-09-07 | cs.IR | score 8/10

RAGU：多步GraphRAG引擎与紧凑领域适配LLM

🧭 GraphRAG引擎优化 · 轻量模型

ITMO University · Novosibirsk State University · Far Eastern Federal University

将知识图谱构建拆分为抽取与整合两步，用7B语言模型超越32B模型，实现更完整的证据检索

📌 工作参考价值（4 点）

知识图谱构建流水线可复用：两阶段有类型实体抽取 + DBSCAN 去重 + LLM 摘要 + Leiden 社区发现，适合电商商品库、搜索日志构建结构化知识图谱。
业务专属轻量模型思路：任务所需的语言技能（理解、抽取、推理）随参数增长有限，可针对性地训练 7B 模型替代大模型，降低成本与延迟，适用于线上抽取 pipeline。
多跳检索的完整性验证：GraphRAG 在医学领域取得证据召回 0.84，可迁移至电商多条件筛选或推荐解释场景，确保检索覆盖所有相关事实片段。
工程化参考：开源、pip 安装、单 GPU 运行，易于集成到现有 RAG 系统中，可直接作为商品问答、内容推荐的 GraphRAG 基座测试效果。

RAG | 2026-07-13 | cs.AI | score 6/10

将思维链融入生成式检索：ThinkGR 初步探索

🧭 生成式检索 · Chain-of-Thought 集成 ★ 深度解读

Shandong University, Qingdao, China

首次在生成式检索中实现思考与文档ID生成交错进行，通过混合解码和检索奖励的强化学习取得SOTA。

📌 工作参考价值（4 点）

思考-检索交错范式：在生成式推荐中，可让模型先生成推理步骤（如需求拆解），再生成候选 item ID，缓解复杂意图与商品之间的语义鸿沟，适用于多步推理的购物场景。
混合解码策略：使用 FM-index 等约束解码保证生成的 item ID 合法，避免推荐不存在的商品，同时保留自由文本思考的灵活性，实现端到端可靠生成。
检索奖励驱动的思考优化：用业务指标（如点击率、转化率）作为奖励信号，通过 KTO 等 RL 方法优化模型思考质量，无需人工标注思考步骤，适合线上持续学习。
结构化标识表示：以知识三元组作为文档/商品 ID，增强关系推理能力，可借鉴为商品属性三元组，提升生成式推荐中的可解释性与检索效率。

RecSys | 2026-05-21 | cs.IR | score 10/10