RAG 评估框架 -- RAGAS

原文

引入 RAG（Retrieval Augmented Generation）的原因

随着ChatGPT的推出，很多人都理所当然直接用LLM当作知识库回答问题。这种想法有两个明显的缺点：

• LLM无法得知在训练之后所发生的事情，因此无法回答相关的问题
• 存在一些专业知识，LLM在训练的时候并没有涉及，或者缺少相关的专业知识。

在这种情况下，RAG 被提出来解决上述的问题。RAG 的基本框架包括：

• Retriever：用于从参考文献中获取相关的背景知识。
• Generator：一般是用一个 LLM 充当这个角色，通过 retriever 拿回来的信息回答用户的提问。

虽然 RAG 的实用性显而易见，但是由于其性能受到多方面因素的影响（例如，参考语料，LLM的性能，Prompt等），想达到一个良好的表现需要大量的调整。因此如何评判 RAG system 的就成为一个非常重要的问题。

已有方法

已有的方法一般都基于两个方面来评估RAG系统：

利用 LLMs 来评估 faithfulness

具有代表性的是 Azaira 等人 提出根据 LLM 的隐藏层权重训练分类器，用于判断 statement 是否为真。虽然这个表现非常不过，但是对于只提供了 API 的LLM 模型并不适用（例如，ChatGPT）。

为解决上述这个问题，Manakul 等人提出一个名为 SelfCheckGPT 的模型。其核心思想是当真实的答案更加稳定。当答案是事实答案时，则不同样本的采样结果更相似，而如果是幻觉的答案则会趋于不相似。

文本生成系统的自动评估

具有代表性的工作是 Fu 等人使用指定所考虑的方面的 prompt，然后根据给定的自回归语言模型，基于生成的令牌的平均概率对段落进行评分。

另外一个工作是 Wang等人提出让 ChatGPT 直接在某个特定方面评估答案的分数（0～100或者5星评分）。这种方法虽然可以获得较为满意结果，但是对于 Prompt 的依赖程度非常高。

RAGAS 评估方法

Setting

• 问题 $q$
• 检索回来的信息，即上下文 $c(q)$
• 根据检索回来的信息产生的答案 $a_s(q)$

对于一个 RAG system 的评估需要考虑一下三个方面：

• Faithfulness： 给出的答案应该是以给定上下文为基础生成的。
• Answer Relevance：生成的答案应该解决提出的实际问题。
• Context Relevance：检索回来的信息应该是高度集中的，尽量少的包含不相关信息。

Faithfulness

判断标准：当答案中的内容是从上下文中推导得到，那么答案$a_s(q)$是忠于上下文$c(q)$。

为评估 faithfulness，作者使用 LLM 来抽取一系列的 statements $S(a_s(q))$，其目的是在于将较长的句子拆分为公断更集中的断言。Prompt 如下：

其中 “question” 和 “answer” 是指给定的提问和答案。对于每一个 statement 而言，LLM 会使用验证函数 $v(s_i,c(q))$ 判断 $c(q)$ 是否可以得到 $s_i$。具体的验证 prompt 如下：

最终的分数 $F=\frac{|V|}{|S|}$

Answer relevance

判断标准：如果答案用适当的方式直接解决了问题，那么答案 $a_s(q)$ 是相关的。
PS. 需要注意的是，这里特别地没有考虑答案的事实性，而是只考虑了答案是否完成或者是否包含了冗余信息。

为了评估 answer relevance，对于给定的答案 $a_s(q)$，作者使用如下的 prompt，让 LLM 生成了可能的潜在问题 $q_i$：

对于每一个 $q_i$，都会用余弦相似度来度量原始问题和潜在问题 embedding （使用的 text embedding ada 002 API）的相似度 $sim(q,q_i)$。最终会用 AR （answer relevance score）$AR=\frac{1}{n}{\sum }_{i=1}^{n}sim(q,q_i)$ 来评估生成的答案与原始问题的一致性。

Context relevance

判断标准：如果上下文只包含回答问题所需要的内容，那么上下文 $c_q$ 是相关的。
PS.目的是为了惩罚上下文存在冗余信息。

为了评估 context relevance，在给定问题 $q$ 和其上下文 $c(q)$ ，LLM 会使用如下的 prompt 从 $c(q)$ 中提取对问题 $q$ 至关重要的语句$S_{ext}$ :

最终 CR（context relevance score）为 $CR=\frac{\text{number?of?extrated?sentences}}{\text{total?number?of?sentences?in}c(q)}$

实验

作者为了评估该方法，构建一个名为 WikiEval 的数据集，每个样本是有人工注释的三元组 question-context-answer。表格1 展示了其结果，百分比表示的是模型所偏好的答案/上下文（即具有最高估计的忠实度、答案相关性或上下文相关性）与人类注释者所偏好的回答/上下文重合的频率。