基于细粒度知识优化的迭代检索增强生成方法(IRAGKR)：提升大语言模型在多跳推理中的抗噪性能

本文提出创新性迭代检索增强生成框架IRAGKR（Iterative Retrieval Augmented Generation with Fine-grained Knowledge Refinement），通过动态检索门控（Dynamic Retrieval Gating）、查询语义扩展（Query Semantic Expansion）和文档信息压缩（Document Information Compression）三大模块构建知识优化闭环系统，显著降低多轮检索中的噪声干扰。实验证明其在Llama2-7?b/13?b模型上对HotpotQA等数据集的复杂问答任务具有最优性能。

　　

Highlight

我们的IRAGKR框架巧妙整合了三大核心组件优势：多维动态控制检索时机、优化查询构建及细粒度低信息量过滤。实验证实，该框架既能通过多维数据评估"何时触发检索"，又能结合查询语义扩展与文档压缩机制，显著提升知识利用效率。

Conclusions

IRAGKR通过"迭代检索+知识优化"模式在多跳推理任务中验证了其有效性。动态检索门控模块融合注意力机制、熵值计算和词性指标，精准控制检索时机；查询扩展模块基于注意力权重捕捉专业术语歧义；文档压缩模块则通过自信息量（Self-information）计算实现关键信息聚焦，形成完整的知识精馏闭环。

Limitations

当前方法尚存在两点局限：1) 无法区分事实性错误、逻辑推理错误与语义理解错误；2) 文档压缩模块采用固定压缩率，未考虑不同文本结构的动态调整需求。

Future works

后续研究将聚焦两大方向：1) 开发基于知识图谱的错误诊断框架，实现错误类型细粒度分类；2) 构建动态压缩策略，结合文本结构特征实现自适应信息过滤。

Uncited references

[28]

CRediT authorship contribution statement

康宁杜：综述撰写与编辑、资源协调、理论分析；王文宇：方法论构建、数据可视化；张本奎：基金支持、研究指导；王鹏程：实验验证；张帆：文献综述。

Declaration of competing interest

作者声明无利益冲突

Acknowledgment

本研究受国家自然科学基金(62201066)资助

Declaration of generative AI

论文撰写过程中使用Google Gemini 2.5进行语言优化，所有内容均经作者审核确认

作者简介

康宁杜，2016年获中科院电子学研究所通信与信息系统博士学位，现为北京信息科技大学电子工程学院教师，研究方向包括雷达信号处理与图像理解识别。