【RAG Query Expansion论文解析】用 LLM 进行查询扩展 (Query Expansion)

引言

检索增强生成 (Retrieval Augmented Generation, RAG) 正在彻底改变我们与大型语言模型 (LLM) 交互的方式。通过引入外部知识库，RAG 能够显著提升 LLM 回答的准确性、时效性，并有效缓解“一本正经地胡说八道”（幻觉）的问题。

然而，一个强大的 RAG 系统的背后，不仅仅依赖于高质量的知识库和先进的 LLM，更取决于一个常常被忽视但至关重要的环节——检索 (Retrieval)。检索的效果，直接决定了 LLM 能否获得最相关的“参考资料”来生成答案。

而检索面临的一个核心挑战是词汇鸿沟 (Lexical Mismatch)：用户提出的查询 (Query) 通常简短、口语化，甚至带有歧义，而知识库中的文档则可能使用更专业、更多样化的词汇来描述同一个概念。

• 用户问：“狗狗感冒怎么办？”
• 文档中写：“犬类上呼吸道感染的症状及家庭护理方法。”

传统的检索系统（如 BM25）很可能因为关键词不匹配而错过这篇最相关的文章。这就是词汇鸿沟问题。

为了弥补这一鸿沟，查询扩展 (Query Expansion, QE) 技术应运而生。其核心思想是对原始查询进行“丰富化”处理，加入更多的相关词汇、同义词或上下文信息，从而提高检索的召回率和准确率。

在 LLM 时代，我们有了一种前所未有的强大工具来进行查询扩展。微软研究院的论文 “Query2doc: Query Exp