One Retrieval to Cover Them All: Co-occurrence-Aware Knowledge Base Reorganization for Session-Level RAG
一次检索覆盖全会话：面向会话级RAG的共现感知知识库重组
🧭 RAG知识库重组与检索策略优化
University of Southern California
通过共现聚类重组知识库，单次检索会话覆盖率从41%提升至58%，同时压缩KB至20%
📌 工作参考价值（4 点）
- 会话级覆盖率作为评估指标：在电商客服、推荐对话等多意图场景中，直接采用session-level coverage替代单query召回率，更能反映用户完整信息需求的满足程度，可指导检索系统优化。
- 离线知识库重组方法：利用历史问答会话中的文档共现关系构建图，通过聚类将相关文档预先分到同一簇。线上检索时，不仅返回top-k文档，还扩展至同簇其他文档，一次检索覆盖多个潜在意图。可借鉴到商品推荐：根据用户会话中共同点击/购买的物品，构建物品簇，实现“一揽子”推荐。
- 检索效率与压缩：通过簇合并将KB压缩至20%，大幅减少索引大小，适合大规模电商知识库。用更少的索引即可达到较高覆盖率，降低线上延迟。
- 跨模型与跨领域一致性：方法对多种嵌入模型和功能领域稳定有效，表明聚类模式基于共现而非特定编码器，迁移到不同业务数据时无需重新调参，易于落地。