HiKEY: Hierarchical Multimodal Retrieval for Open-Domain Document Question Answering
HiKEY：面向开放域文档问答的层次化多模态检索框架
🧭 层次化多模态检索 · RAG
Korea University · Konkuk University
提出层次化树状多模态检索框架，将文档结构作为第一检索信号，通过从粗到细策略大幅提升检索召回和问答性能。
📌 工作参考价值（4 点）
- 在处理电商的海量产品文档、说明书或政策文件时，可将文档的层次结构（章节、段落、表格、图表）显式建模为树状图，作为检索信号，缓解简单分块带来的证据碎片化问题。
- 从粗到细的检索策略可应用于大规模商品库的搜索：先通过高层级索引（如类目或文档标题）快速定位候选集，再精细匹配多模态证据，大幅降低检索延迟和无效内容。
- 多模态融合思路可借鉴到商品详情页理解：将文本描述、表格参数、示意图等映射到统一语义空间，做细粒度排序，提升复杂问题的回答准确率。
- 混合结构-语义打包策略可用于优化 Agent 从多模态文档中提取上下文的 token 效率，在维护逻辑完整性的同时控制成本，尤其适合长文档对话场景。