知识导向检索增强生成综述

《ACM Transactions on Information Systems》：A Survey on Knowledge-Oriented Retrieval-Augmented Generation

　　摘要检索增强生成（Retrieval-Augmented Generation, RAG）近年来因其将大规模检索系统与生成模型相结合以增强自然语言理解与生成的潜力而受到广泛关注。RAG 利用外部知识源（如文档、数据库或结构化数据）来提升模型性能，并生成更准确、更具上下文相关性的输出。本文综述旨在通过考察 RAG 的基本组成部分——包括检索机制、生成过程以及二者之间的整合方式——为读者提供关于 RAG 的全面概述。我们讨论了 RAG 的关键特征，例如其利用动态外部知识增强生成模型的能力，以及与生成目标对齐所检索信息的相关挑战。我们还提出了一种分类体系，将 RAG 方法从基础的检索增强方法到融合多模态数据和推理能力的更先进模型进行了分类。此外，我们回顾了常用于评估 RAG 系统的评测基准和数据集，并详细探讨了其在问答、摘要生成和信息检索等领域中的应用。最后，我们指出了改进 RAG 系统的新兴研究方向和机遇，如提升检索效率、增强模型可解释性以及领域特定适配。本文最后概述了 RAG 在解决现实世界挑战方面的前景及其推动自然语言处理进一步发展的潜力。---**AI 生成摘要（实验性）**本摘要使用自动化工具生成，未经论文作者撰写或审核。本摘要旨在支持文献发现、帮助读者评估相关性，并辅助邻近研究领域的读者理解该研究。本摘要是对作者提供摘要的补充，作者摘要仍然是论文的主要概述。全文仍是权威的记录版本。[点击此处了解更多关于 ACM AI 摘要的信息][点击此处] 对本摘要的准确性、清晰度和实用性发表评论。您的反馈将有助于改进及未来重新生成的版本。如需查看此 AI 生成的通俗摘要，您需要拥有 Premium 权限。