题目：Enhancing LLM Factual Accuracy with RAG to Counter- Hallucinations: A Case Study on Domain-Specific Queries in Private Knowledge-Bases
git:https://github.com/anlp-team/LTI_Neural_Navigator
创新：
模型
论文整体思路
3 Dataset Creation
此模块主要讲了数据集的来源以及 数据使用什么模型注释 如何预处理 评估数据集注释的可靠性 数据的可靠性 可以训练rag问答系统
3.1数据来源
使用Selenium和BeautifulSoup库构建了一个自定义的Web Crawler来抓取CMU网站。 以两种格式存储 HTML和PDF 流程如下
3.2数据分割
主要讲了文本块大小以及为什么这么分割
3.3数据注释
在三个注释模型中选择了WizardLM。做为注释器 以帮助生成QA对以及讲解了 数据集 训练和测试集的划分
3.3数据评估
计算Cohen的Kappa评分 公式如下：
P0表示注释者之间的相对观察到的一致性，并且PE是偶然一致性的假设概率。使用该指标，κ评分为1表示完全一致，而评分为0表示除偶然外没有一致性。另一方面，负值表示注释者之间存在分歧。为了计算po，我们首先统计注释者在数据集的每个类别上达成一致的实例数量。然后，我们将其除以注释的总数。对于pe，我们根据每个类别的注释在注释者之间的分布，计算出预期的一致性。
κ评分为0.67，表明与数据集基本一致（83.33%）。
4 Question-Answering Pipeline
在第4节中，讨论了系统中模型的选择和微调，并详细介绍了RAG管道的设计，它包括两个主要组件：上下文检索器和生成模型。上下文检索器采用复杂的算法，根据用户的查询，从策展数据集中识别和检索最相关的信息片段。在检索之后，生成模型由LLaMA-2的尖端功能提供支持，利用所提供的上下文来生成连贯和准确的答案。这个两步过程确保系统的响应不仅是上下文感知的，而且还保持高度的事实完整性。
4.1Embedding Model
本文使用的预训练的嵌入模型来源以及选择该嵌入模型的原因
4.2Reranking Model
选择的重排序模型
本文构造的名为Bgereankd 提高查询结果相关性的模型框架 CrossEncoder的核心思想是将两个输入文本（例如两个句子、两段文本等）同时输入到模型中，让模型直接学习文本之间的相关性或相似性。相较于传统的分别处理两个文本的模型（如Siamese网络），CrossEncoder能够更好地捕捉全局语义信息，有助于更准确地判断两个文本的关联程度。
4.3Core Model
核心模型选择为LLaMA-2
LLaMA-2（Language Model for Matching Answers）是用于文本相关性任务的模型，特别是用于检索增强生成（Retrieval-Augmented Generation，RAG）任务。它是对原始LLaMA模型的改进和扩展，旨在提高生成文本的质量和相关性。总的来说，LLaMA-2是一种用于文本相关性任务的模型，通过结合检索和生成两个环节，并采用CrossEncoder架构，能够有效地提高生成答案的相关性和质量，在各种文本相关性任务中有着广泛的应用价值。
