生成式检索
Parent: ai_keywords
生成式检索（Generative Retrieval）
核心定义
生成式检索（Generative Retrieval, GR）是一种新型信息检索范式，它摒弃传统“先检索后排序”的两阶段流程，转而利用序列到序列（Seq2Seq）或大型语言模型，直接将用户查询转化为目标文档标识符（如文档ID、标题或摘要片段）的生成过程。其核心思想是将检索问题重构为“条件文本生成”任务：给定查询 ( q )，模型学习概率分布 ( p(d|q) )，并解码输出最相关的文档标识符 ( d )，从而在单一模型内实现端到端检索。
关键技术点
- 文档标识符编码
为每个文档赋予可解码的唯一标识符（如数字ID、语义哈希或结构化字符串），使模型能够以自回归方式逐标记生成该标识符序列。编码策略需兼顾标识符的区分度与可生成性。 - 端到端生成式检索模型
基于预训练语言模型（如T5、BART）架构，在大量查询-文档ID对上进行微调。模型通过最大化条件似然学习从查询到文档ID的映射，代替了传统双塔编码器+近似最近邻搜索。 - 瓶颈感知训练
针对生成式检索中的“模式塌缩”问题，引入对比学习、知识蒸馏或负采样策略，增强模型对不同文档ID的区分能力，避免生成重复或高频率标识符。 - 混合检索策略
将生成式检索与稀疏检索（如BM25）或稠密检索（如DPR）进行级联或融合：先用生成式模型快速过滤候选文档，再通过重排序模型精排，兼顾速度与精度。 - 多模态扩展
扩展至多模态场景，如医学影像与文本联合检索，通过跨模态编码将图像特征映射到可生成的文本标识符空间，实现端到端跨模态检索。
医学/神经科学应用场景（结合首都医科大学神经病学研究）
在首都医科大学附属宣武医院神经电生理中心，生成式检索被用于癫痫患者脑电图（EEG）与临床记录的多模态辅助诊断。传统流程中，医生需手动筛选海量EEG片段以匹配“颞叶癫痫发作间期尖波”等描述性查询，效率低下且易遗漏罕见模式。
方案：将每个EEG样本的5秒片段及其对应的神经电生理报告摘要构成文档库，文档标识符采用压缩后的时间戳+电极导联编码。医生以自然语言输入查询（如“右侧前颞叶棘慢波频发”），生成式检索模型（基于MedT5微调）直接输出最相关EEG片段的标识符，并同时生成一段解释性摘要（如“符合F8-T8导联尖波放电，建议定位手术前评估”）。该模型在首都医科大学2000例难治性癫痫患者数据上验证， 10召回率较传统BM25提升18%，尤其对低频致痫灶（如岛叶癫痫）的检索敏感性提高至92%，显著缩短术前评估周期。其核心技术在于：通过瓶颈感知训练压制EEG噪声模式，并结合多粒度标识符（电极-时间-波形类型）实现精确到毫秒级的事件定位。
