論文の概要: Multi-Step Semantic Reasoning in Generative Retrieval

• arxiv url: http://arxiv.org/abs/2603.12368v1
• Date: Thu, 12 Mar 2026 18:38:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.726249
• Title: Multi-Step Semantic Reasoning in Generative Retrieval
• Title（参考訳）: 生成検索におけるマルチステップセマンティック推論
• Authors: Steven Dong, Yubao Tang, Maarten de Rijke,
• Abstract要約: 生成検索(GR)モデルは、モデルパラメータ内のコーパスを符号化し、所定のクエリに対して関連するドキュメント識別子を生成する。 既存のGRモデルは、財務報告に対するセマンティック推論など、数値的な文脈で複雑なクエリに苦しむ。 GR内の数値文脈における多段階意味推論を強化するためのフレームワークであるReasonGRを提案する。
• 参考スコア（独自算出の注目度）: 50.65947993017158
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative retrieval (GR) models encode a corpus within model parameters and generate relevant document identifiers directly for a given query. While this paradigm shows promise in retrieval tasks, existing GR models struggle with complex queries in numerical contexts, such as those involving semantic reasoning over financial reports, due to limited reasoning capabilities. This limitation leads to suboptimal retrieval accuracy and hinders practical applicability. We propose ReasonGR, a framework designed to enhance multi-step semantic reasoning in numerical contexts within GR. ReasonGR employs a structured prompting strategy combining task-specific instructions with stepwise reasoning guidance to better address complex retrieval queries. Additionally, it integrates a reasoning-focused adaptation module to improve the learning of reasoning-related parameters. Experiments on the FinQA dataset, which contains financial queries over complex documents, demonstrate that ReasonGR improves retrieval accuracy and consistency, indicating its potential for advancing GR models in reasoning-intensive retrieval scenarios.
• Abstract（参考訳）: 生成検索(GR)モデルは、モデルパラメータ内のコーパスを符号化し、与えられたクエリに対して関連するドキュメント識別子を直接生成する。 このパラダイムは、検索タスクにおいて有望であることを示しているが、既存のGRモデルは、財務報告に対する意味論的推論を含むような、数値的な文脈における複雑なクエリと競合する。 この制限により、最適下検索精度が低下し、実用性が阻害される。 GR内の数値文脈における多段階意味推論を強化するためのフレームワークであるReasonGRを提案する。 ReasonGRは、複雑な検索クエリに対処するために、タスク固有の命令とステップワイズ推論ガイダンスを組み合わせた構造化プロンプト戦略を採用している。 さらに、推論に着目した適応モジュールを統合し、推論関連パラメータの学習を改善する。 複雑なドキュメントに対する財務的な問い合わせを含むFinQAデータセットの実験では、ReasonGRが検索精度と一貫性を改善し、推論集約的な検索シナリオにおいてGRモデルを前進させる可能性を示している。

関連論文リスト

• ROG: Retrieval-Augmented LLM Reasoning for Complex First-Order Queries over Knowledge Graphs [14.25887925588904]
  本稿では,クエリを意識した近傍検索と大規模言語モデル(LLM)の連鎖推論を組み合わせた検索拡張フレームワークを提案する。 ROGはマルチ演算クエリを単一演算サブクエリのシーケンスに分解する。 中間回答セットはステップ間でキャッシュされ再利用され、深い推論チェーンの一貫性が向上します。
  論文  参考訳（メタデータ） (2026-02-02T17:45:43Z)
• A Large Language Model Based Method for Complex Logical Reasoning over Knowledge Graphs [16.929901817693334]
  知識グラフ(KG)と一階述語論理(FOL)クエリを関連付けることは、現実世界のKGが本質的に不完全であるために困難である。 本稿では,問合せ対応のKG近傍検索と大規模言語モデル(LLM)に基づくチェーン・オブ・シークレット推論を組み合わせたアンサンブルスタイルのフレームワークであるROGを提案する。
  論文  参考訳（メタデータ） (2025-12-22T07:01:05Z)
• Towards Context-aware Reasoning-enhanced Generative Searching in E-commerce [61.03081096959132]
  そこで本稿では,複雑な状況下でのテキストバウンダリングを改善するための,文脈対応推論強化型生成検索フレームワークを提案する。 提案手法は,強力なベースラインに比べて優れた性能を示し,検索に基づく推薦の有効性を検証した。
  論文  参考訳（メタデータ） (2025-10-19T16:46:11Z)
• Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
  文書理解は、財務分析から科学的発見への応用に不可欠である。 現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。 Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
  論文  参考訳（メタデータ） (2025-10-17T02:33:16Z)
• Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
  ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。 我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。 BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-09-08T10:58:42Z)
• Resource-Friendly Dynamic Enhancement Chain for Multi-Hop Question Answering [21.077964610022313]
  この研究はDEC(Dynamic Enhancement Chain)と呼ばれる新しいフレームワークを提案する。 DECはまず複雑な質問を論理的に一貫性のあるサブクエストに分解し、幻覚のない推論連鎖を形成する。 その後、コンテキスト対応の書き換えによってこれらのサブクエストを反復的に洗練し、効率的なクエリの定式化を生成する。
  論文  参考訳（メタデータ） (2025-06-21T11:55:27Z)
• Modeling Relational Patterns for Logical Query Answering over Knowledge Graphs [29.47155614953955]
  そこで我々は,複雑な空間における回転により,クエリ領域を幾何学的円錐と代数的クエリ演算子として定義する新しいクエリ埋め込み手法RoConEを開発した。 いくつかのベンチマークデータセットに対する実験結果から,論理的問合せ処理の強化のための関係パターンの利点が確認された。
  論文  参考訳（メタデータ） (2023-03-21T13:59:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。