論文の概要: One Retrieval to Cover Them All: Co-occurrence-Aware Knowledge Base Reorganization for Session-Level RAG

• arxiv url: http://arxiv.org/abs/2606.31156v1
• Date: Tue, 30 Jun 2026 05:35:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.086138
• Title: One Retrieval to Cover Them All: Co-occurrence-Aware Knowledge Base Reorganization for Session-Level RAG
• Title（参考訳）: セッションレベルRAGのための共起知識ベース再構築
• Abstract要約: 標準知識ベース上の単一の検索コールは,ユーザのセッションレベルの情報要求の41%しかカバーしていないことを示す。 我々は、共起認識クラスタリングを用いてKBをオフラインで再編成し、クエリ時にクラスタ近傍で検索候補を拡張する。
• 参考スコア（独自算出の注目度）: 4.50538871282935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: RAG systems retrieve documents optimized for answering one query at a time. Yet enterprise users arrive with sessions, that is, coherent episodes of related questions that span semantically distant parts of the knowledge base. We show that a single retrieval call over a standard knowledge base covers only 41% of a user's session-level information need. To close this gap, we reorganize the KB offline using co-occurrence-aware clustering and expand retrieval candidates through cluster neighborhoods at query time. On WixQA (6,221 enterprise support articles), our method raises single-query session coverage to 58% (+17% absolute; 95% CI: [14.1, 20.4]), reduces retrieval calls to 70% coverage by 34%, and compresses the KB to 20% of its original size, all consistently across four embedding models and six functional domains. We argue that session-level coverage, not single-query recall, should be the primary metric for enterprise RAG evaluation.
• Abstract（参考訳）: RAGシステムは、一度に1つのクエリに答えるために最適化された文書を検索する。 しかし、エンタープライズユーザーはセッション、つまり、知識基盤のセマンティックに離れた部分にまたがる、関連する質問の一貫性のあるエピソードを持ってくる。 標準知識ベース上の単一の検索コールは,ユーザのセッションレベルの情報要求の41%しかカバーしていないことを示す。 このギャップを埋めるために、共起認識クラスタリングを用いてKBをオフラインで再編成し、クエリ時にクラスタ近傍で検索候補を拡張する。 WixQA(6,221のエンタープライズサポート記事)では、単一クエリのセッションカバレッジを58%(+17%絶対値:95% CI: [14.1, 20.4])に引き上げ、検索コールを70%まで34%削減し、KBを元のサイズの20%に圧縮し、4つの埋め込みモデルと6つの機能ドメインに一貫した圧縮を行う。 セッションレベルのカバレッジは、単一クエリリコールではなく、エンタープライズRAG評価の主要な指標であるべきだ、と我々は主張する。

関連論文リスト

• Pre-retrieval Query Clustering for Adaptive Top-k Document Retrieval in RAG Systems [7.440012812118169]
  RAGシステムは通常、固定数の文書を基底生成に検索する。 単純なクエリは過剰検索(ノイズとコストを追加する)に悩まされ、複雑なクエリは未検索である。 本稿では,クエリ適応検索のための実用的,汎用的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-11T19:57:12Z)
• Cooperative Memory Paging with Keyword Bookmarks for Long-Horizon LLM Conversations [2.6382975801439836]
  セグメントは最小限のキーワードのブックマークに置き換えられ、モデルはオンデマンドで全コンテンツを取得するリコール()ツールが与えられる。 LoCoMoベンチマークでは、コラボレーティブページングは、トランケーション、BM25、ワードオーバーラップ検索、検索ツールベースライン、フルコンテキストの6つのメソッドの中で、最も高い回答品質を達成する。 次に、境界戦略と消去政策(3,176個の合成プローブ、1,600個のLoCoMoプローブ)に対する5×4のアブレーションでページング設計空間を研究する。
  論文  参考訳（メタデータ） (2026-04-14T07:06:35Z)
• DualView: Adaptive Local-Global Fusion for Multi-Hop Document Reranking [20.174286204915756]
  マルチホップ質問応答には、複数のドキュメントから情報を集約する必要がある。 マルチホップ文書の再ランク付けのための効率的なデュアルビュー・ケースケード・リグレード・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-13T08:56:09Z)
• SmartSearch: How Ranking Beats Structure for Conversational Memory Retrieval [0.0]
  SmartSearchは完全に決定論的パイプラインを使用して、生の非構造化会話履歴から検索する。 SmartSearchはLoCoMoで93.5%、LongMemEval-Sベンチマークで88.4%を達成した。
  論文  参考訳（メタデータ） (2026-03-16T17:53:21Z)
• KohakuRAG: A simple RAG framework with hierarchical document indexing [1.0844295385744671]
  文書構造を4段階のツリー表現で保存する階層型RAGフレームワークであるKohakuragを提案する。 われわれはWattBot 2025 Challengeの評価を行った。これは32の文書から技術的質問に答えるシステムを必要とするベンチマークである。
  論文  参考訳（メタデータ） (2026-03-08T12:52:39Z)
• Hindsight is 20/20: Building Agent Memory that Retains, Recalls, and Reflects [11.300084544174894]
  エージェントメモリを推論のための構造化第1級基板として扱うメモリアーキテクチャであるHindsightを提案する。 情報の追加、アクセス、更新の方法を管理する3つのコア操作 – 保持、リコール、リフレクション – をサポートしている。 オープンソースの20Bモデルは、全文ベースラインで全体の精度を39%から83.6%に引き上げる。
  論文  参考訳（メタデータ） (2025-12-14T19:47:23Z)
• Towards Global Retrieval Augmented Generation: A Benchmark for Corpus-Level Reasoning [50.27838512822097]
  我々は,グローバルRAG機能を評価するために設計された最初のベンチマークであるGlobalQAを紹介する。 我々は,チャンクレベルの検索によって構造的コヒーレンスを保存するマルチツール協調フレームワークであるGlobalRAGを提案する。 Qwen2.5-14Bモデルでは、GlobalRAGは最強のベースラインである1.51 F1と比較して6.63 F1を達成した。
  論文  参考訳（メタデータ） (2025-10-30T07:29:14Z)
• Agent KB: Leveraging Cross-Domain Experience for Agentic Problem Solving [62.71545696485824]
  我々は,異種エージェントフレームワーク間のシームレスな体験共有を可能にするユニバーサルメモリ基盤であるAgent KBを紹介した。 Agent KBはトラジェクトリを構造化知識ベースに集約し、軽量APIを提供する。 我々は,GAIA,Humanity's Last Exam,GPQA,SWE-benchなどの主要フレームワークにまたがるエージェントを検証した。
  論文  参考訳（メタデータ） (2025-07-08T17:59:22Z)
• Do RAG Systems Cover What Matters? Evaluating and Optimizing Responses with Sub-Question Coverage [74.70255719194819]
  サブクエストカバレッジに基づく新しいフレームワークを導入し、RAGシステムが質問の異なる面にどのように対処するかを計測する。 このフレームワークを使用して、You.com、Perplexity AI、Bing Chatの3つの商用生成応答エンジンを評価します。 すべての回答エンジンは、バックグラウンドやフォローアップよりも、コアサブクエストを頻繁にカバーしていますが、コアサブクエストの約50%を見逃しています。
  論文  参考訳（メタデータ） (2024-10-20T22:59:34Z)
• Dynamic Focus-aware Positional Queries for Semantic Segmentation [94.6834904076914]
  本稿では,動的焦点認識型位置情報クエリと呼ばれるセマンティックセグメンテーションのための,シンプルで効果的なクエリ設計を提案する。 我々のフレームワークはSOTAの性能を達成し、ResNet-50、Swin-T、Swin-Bのバックボーンによる1.1%、1.9%、および1.1%の単一スケールmIoUでMask2formerより優れています。
  論文  参考訳（メタデータ） (2022-04-04T05:16:41Z)
• RnG-KBQA: Generation Augmented Iterative Ranking for Knowledge Base Question Answering [57.94658176442027]
  KBQAのランク・アンド・ジェネレートアプローチであるRnG-KBQAを提案する。 我々はGrailQA と WebQSP データセット上で,最先端の新たな結果を得る。
  論文  参考訳（メタデータ） (2021-09-17T17:58:28Z)
• Session-Aware Query Auto-completion using Extreme Multi-label Ranking [61.753713147852125]
  本稿では,セッション対応クエリ自動補完の新たな手法を,XMR(Multi Multi-Xtreme Ranking)問題として取り上げる。 アルゴリズムのキーステップにいくつかの修正を提案することにより、この目的のために一般的なXMRアルゴリズムを適応させる。 当社のアプローチは、セッション情報を活用しながら、自動補完システムの厳しいレイテンシ要件を満たします。
  論文  参考訳（メタデータ） (2020-12-09T17:56:22Z)
• Dense Passage Retrieval for Open-Domain Question Answering [49.028342823838486]
  本研究では,高密度表現のみを用いて検索を実践可能であることを示す。 我々の高密度レトリバーは、上位20経路の精度で9%-19%の絶対値で強力なルセンゼ-BM25システムより優れています。
  論文  参考訳（メタデータ） (2020-04-10T04:53:17Z)

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。