RAG / 检索增强生成

Reasoning in Trees: Improving Retrieval-Augmented Generation for Multi-Hop Question Answering

树状推理：改进多跳问题回答的检索增强生成

Yuling Shi, Maolin Sun, Zijun Liu, Mo Yang, Yixiong Fang, Tianran Sun, Xiaodong Gu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shandong University（山东大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(title,abstract)；RAG(abstract,comments)；分类 cs.CL

AI总结 RT-RAG通过构建推理树来提升多跳问题回答的准确性和一致性，实验结果显示其在F1和EM指标上均优于现有方法。

Comments Accepted to GLOW@WWW2026. Code available at https://github.com/sakura20221/RT-RAG