1.INTRODUCTION(引言)
检索增强语言模型能够更好地适应世界状态的变化并融入长尾知识。然而，大多数现有方法只能从检索语料库中检索到短的连续文本片段，限制了对整个文档上下文的完整理解 。作者引入了一种新颖的方法，即递归嵌入、聚类和总结文本片段，从底部开始构建具有不同摘要级别的树。在推理期间，RAPTOR模型从这棵树中检索，将跨不同抽象级别的庞大文档中的信息整合起来。
2.总体介绍
LLM不包含特定任务所需要的领域知识，并且随着世界的持续变化，使得LLM中所学的事实失效。在开放领域QA系统中开创性的方法是将大量的文本【数据源】进行分块，然后在单独的信息索引系统中建立索引，最后将检索到的知识与Query结合在一起作为上下文丢给下游的LLM【RAG检索增强】，这使得为系统提供特定领域的知识变得更加容易，并且也能够更加轻松地解释和追溯来源。
现有方法的缺陷： 智能检索到K个相邻文本片段【太少有局限】，限制了LLM大规模话语结构能力。这在需要整合来自文本多个部分知识的主题性问题中尤为重要，比如理解整本书的情况，就像NarrativeQA数据集中以灰姑娘的童话故事为例，针对问题"灰姑娘如何走向幸福结局？"，检索到的前K个相邻短文本不包含足够的上下文来回答问题。
如何解决的： RAPTOR对文本片段进行聚类【叶子节点】，生成聚类的文本摘要【父节点】，然后不断重复这个过程，从底部生成树。这种结构使得RAPTOR能够加载不同级别代表文本的片段到LLM的上下文 中，从而能够有效地回答不同级别的问题 。【而且也能够解决泛化Query，因为每一次聚类都是公共部分提取，增强了泛化能力】
主要贡献： 利用文本摘要的想法，允许在不同尺度上进行检索增强上下文，并在长文集合的实验中展示其有效性。
3.Method方法
RAPTOR概述： 建立在长文本通常呈现子主题和分层结构的思想基础上，RAPTOR通过构建一个递归树结构来解决阅读中的语义深度和连接问题，该结构平衡了更广泛的主题理解和细粒度细节，允许根据语义相似性而不仅仅是文本顺序对节点进行分组。
method1： RAPTOR树的构建始于将检索语料库分割成长度为100的短连续文本，类似于传统的检索增强技术。如果一句话超过100个标记的限制，我们将整个句子移至下一个块(chunk)，而不是在句子中途截断**【优点】**。这保留了每个块内文本的上下文和语义连贯性。然后使用SBERT嵌入这些文本。这些块及其对应的SBERT嵌入形成了树结构的叶节点。
method2： 对相似文本进行分组，采用了聚类算法，首先将文本进行chunk化，然后对每个chunk进行分类**【从叶子节点往上升】，对每个分组后的chunk文本进行总结，然后将这些总结文本重新嵌入，并继续嵌入，直至聚类变得不可行为止**，从而将原始文档进行结构化、多层树表示。
method3： 在构建RAPTOR树的时候，使用了两种组织方式：1.连贯簇。这一步将相关内容组合在一起**【跟method1有关】**；2.软聚簇，单个文本段可能与多个主题有关，因此将该文本放在多个主题下，这样就能保证有效信息一定能被检测到。
比如小明和小美被分为两个主题，一个下面文本为小明很帅，另一个为小美很帅，如果有一个文本为小明和小美一样帅，就可以纳入多个主题之下，从而保证在决策过程中【比如Query：小明和小美谁帅一点？】能够保证对解决Query的有效信息一定被检索到。
method4： 对于聚类算法，采用高斯混合模型（GMMs），这种方法提供了灵活性和概率框架。GMMs假设数据点是从多个高斯分布混合中生成的。
GMMs： 简而言之就是从多个文本中捕捉特征，找到和均值【公共摘要】最近那部分
高斯分布，也称为正态分布，是一种非常常见的连续概率分布，用于描述许多自然现象。它呈钟形曲线，表示大多数数据点集中在均值附近，随着离均值的距离增大，数据点的概率逐渐减小 。
高斯混合模型 (GMM)：GMM 是一种概率模型，假设数据点是从多个高斯分布的混合中生成的。每个高斯分布代表一个簇 ，GMM 可以通过多个高斯分布捕捉数据的多模态特征（多个峰值）。
method5和method4： 向量嵌入的高维度对传统GMMs构成挑战，因为在高维空间中使用距离度量可能表现不佳 。为了缓解这一问题，作者采用均匀流形近似和投影 ( Uniform Manifold Approximation and Projection,UMAP) ，一种用于降维的流形学习技术。UMAP中的最近邻参数n_neighbors决定了保留局部结构和全局结构之间的平衡。作者的算法通过变化n_neighbors来创建层次聚类结构：首先识别全局聚类，然后在这些全局聚类中执行局部聚类。这种两步聚类过程捕捉了文本数据之间的广泛关系，从广泛主题到具体细节。
method5: 如果局部聚类的组合上下文超过了总结模型的标记阈值 ，作者的算法会在该聚类内递归应用聚类 ，确保上下文保持在标记阈值内。【主要是method1的原因造就了method5的诞生，因为method1的chunk要保证语序通顺就会有部分文本>100标记，所以需要method5进行递归处理】
method6：（如何确定最佳聚类数） 对于给定的GMM，BIC为BIC = ln(N)k − 2ln(L^) ，其中N 为文本片段(或数据点)的数量，k 为模型参数的数量，L ^为模型似然函数的最大化值。在GMM的情境中，参数数量k kk是输入向量的维度和聚类数量的函数。
得到由BIC确定的最佳聚类数量后，使用EM算法来估计GMM参数，即均值、协方差和混合权重。虽然GMM中的高斯假设可能与文本数据的性质不完全符合，后者通常表现出稀疏和偏斜的分布，但实证观察表明，它是一种有效的模型。
查询机制： 下面详细阐述了RAPTOR所采用的两种查询机制：树遍历和折叠树(collapsed tree，坍塌树)。这些方法提供了在多层RAPTOR树中获取相关信息的独特方式，每种方法都有其各自的优势和权衡。在附录F中提供了这两种方法的伪代码。使用SBERT对所有节点进行嵌入。
遍历机制：
个人感受：
- 余弦相似度比较有点问题，语义用embedding拼凑会不会更好？
- 虽然共有部分各个摘要都拥有，是否用反思标记逐步分析该段落是否与Query相关【isRelevant？】，相关标记该文本，得到所有【Relevant】的文本后组合Prompt生成Answer，然后再【isSupported】，对所有标记的文本进行审判：判断该Answer是否由这些文本生成，这些文本是否支撑这个Answer。
