当前位置：首页 > news >正文

告别人工标注瓶颈！Reward-RAG：用 CriticGPT 打造更懂人类偏好的检索模型

news 2025/9/18 11:01:15

Reward-RAG: Enhancing RAG with Reward Driven Supervision
原文：https://mp.weixin.qq.com/s/xm0viRay9mSxrMwYa3aF5A

全文摘要

本文介绍了一种名为Reward-RAG的新方法，旨在通过奖励驱动监督增强Retrieval-Augmented Generation（RAG）模型。与以往的RAG方法不同，该方法使用了CriticGPT训练了一个专门的奖励模型，并利用该模型生成合成数据集对RAG编码器进行微调，使其输出更符合人类偏好。该方法适用于各种领域，可以通过领域特定的微调有效地应用。实验结果表明，Reward-RAG在多个领域的公开基准测试中表现出了显著的性能提升，这强调了将奖励模型与RAG集成以实现自然语言生成任务优越成果的潜力。

论文方法

方法描述

本文提出的Reward-RAG是一种基于强化学习的多文档检索模型，用于提高多文档检索的质量。该模型包括两个主要部分：奖励模型和反馈数据收集。

首先，通过使用一个嵌入式语言模型来计算查询和文档之间的相似度得分。然后，使用自动回归和双向语言模型作为检索模型，并添加特殊标记[CLS]和[EOS]以表示输入序列。最后，使用奖励模型来评估查询和文档的相关性，并根据此评分调整检索模型。

在收集反馈数据时，使用现有的检索编码器来检索与每个查询相关的前25个文档。然后选择最相关的一个文档并随机选取另外四个文档，其中忽略那些高于阈值的相关性分数的文档。接下来，使用LLMs对所选（查询，文档）对进行反馈，并训练奖励模型以评估与查询相关的前25个文档。

方法改进

本文提出的Reward-RAG相对于传统的RAG模型有以下改进：

使用强化学习方法，可以更准确地调整检索模型，从而更好地匹配用户偏好。
奖励模型可以更精确地评估查询和文档的相关性，而不需要人工标注。
收集反馈数据的方式更加高效，可以更快地更新检索模型。

解决的问题

本文提出的Reward-RAG解决了传统RAG模型的一些问题，如：

无法适应不同任务和用户偏好的需求。
由于需要大量的人工标注，难以快速更新检索模型。
检索结果可能不完全符合用户的期望，因为检索模型缺乏足够的信息。

因此，Reward-RAG提供了一种更有效、更准确的多文档检索解决方案，可以满足不同任务和用户偏好的需求，并且可以更快地更新检索模型。

figure_2

论文实验

本文主要介绍了在自然语言处理领域中的两个任务：信息检索和文本生成，并进行了多个实验来比较不同模型的性能。具体来说，作者首先对通用领域的开放域问答任务进行了实验，包括NQ和TriviaQA数据集，使用了Promptgator、Dragon等基线模型，并将他们的性能与我们的模型进行了比较。实验结果表明，在NQ数据集上，我们的模型是最佳模型之一，在TriviaQA数据集上，我们的模型也是第二好的模型之一。此外，作者还进行了事实验证任务的实验，使用FEVER数据集，并将其与其他基线模型进行了比较。实验结果表明，我们的模型在该任务中也表现良好。

接下来，作者对特定领域的RAG任务进行了研究，使用Mirage数据集进行了实验，并将我们的模型与其他基线模型进行了比较。实验结果表明，在PubMedQA数据集上，我们的模型表现最好，在BioASQ数据集上排名第二。

此外，作者还进行了几个附加实验来进一步探究其方法的有效性。例如，他们比较了从不同的LLMs收集反馈的质量，并发现GPT-4o比GPT-3.5更准确和一致。此外，他们还尝试了不同的提示技术来控制LLMs的质量，并发现在“思考分步法”的提示下，LLMs的注释更加准确和可靠。

总的来说，本文展示了作者的方法在多个任务和数据集上的有效性，并提供了详细的实验细节和结果分析。

table_1

table_4

table_5

论文总结

文章优点

本文提出了一种新的方法，名为Reward-RAG，通过将奖励模型集成到传统的RAG框架中来提高RAG系统的性能。该方法利用CriticGPT生成定制数据集，并实现通用领域和特定领域的精细调整，使模型输出更符合人类偏好。实验结果表明，这种方法在各种领域都取得了很好的效果，不仅提高了生成响应的相关性和质量，而且比现有最佳方法有了显著的进步。

方法创新点

本文的主要贡献在于提出了一种新颖的方法，即使用奖励模型来增强RAG系统的能力。具体来说，作者使用了CriticGPT来模拟人类偏好，并将其用于评估检索文档和查询之间的相关性。然后，他们使用这些模型对现有的检索模型进行微调，以从外部语料库中检索高质量的内容。这种方法旨在弥合一般检索能力与用户偏好的特定需求之间的差距，从而提高生成响应的相关性和质量。

未来展望

本文提出的Reward-RAG方法为RAG系统的改进提供了一个有前途的方向。未来的研究可以进一步探索如何优化奖励模型的设计，以及如何更好地利用CriticGPT来生成更具代表性的定制数据集。此外，还可以考虑将其他强化学习技术应用于RAG系统，以进一步提高其性能。总之，本文的工作为自然语言处理领域的研究提供了有价值的参考。