OA-RAG 用本体证据与支撑等级提升医疗问答可信度。
资讯摘要
论文提出 OA-RAG，一种将形式推理与 LLM 推理结合的智能体，利用领域本体的逻辑结构和非正式注释来增强检索增强生成。针对每个答案，OA-RAG 会报告所采用的本体观察证据，并给出模型评估的支撑等级（entailed、supported、related、unrelated）。作者报告，在基于三个大规模本体和六个真实医疗问答任务构建的基准上，OA-RAG 整体表现优于所评估的本体微调方法和常见 RAG 方法，在推理密集型任务上尤为突出；支撑等级越强通常对应更高准确率，且其表现可与依赖教科书等来源的领域专用 RAG 系统竞争。
要点速读
- OA-RAG 将形式推理与 LLM 推理结合，利用领域本体的逻辑结构与非正式注释。
- 每个答案附带本体观察证据和模型评估的支撑等级（entailed、supported、related、unrelated）。
- 作者报告在三个大规模本体和六个真实医疗问答基准上整体表现最佳，推理密集型任务尤为突出。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。