AI・機械学習
上級
RECOMP 検索コンテキスト圧縮（リコンプケンサクコンテキストアッシュク）
RAGにおける検索結果を質問に対して最適化した要約に圧縮するフレームワーク。抽出型（Extractive）と抽象型（Abstractive）の2モード。Guo et al. 2023提案。検索精度とLLM入力効率を両立する。
0 回閲覧
0 いいね
2026/6/6 更新
関連タグ
RECOMP
RAG
検索拡張生成
コンテキスト圧縮
対照学習
要約
RECOMP 検索コンテキスト圧縮
RECOMP（Retrieved Context Compression）は、RAGパイプラインにおいて検索結果を質問に対して圧縮・最適化するフレームワーク。2023年にFan Guo et al.（Stanford/Google）が発表。
2つの圧縮モード
Extractive Compressor（抽出型）
- 検索文書から質問に関連する文を選択・抽出
- 生成は行わず、元の文をそのまま使用
- 解釈性が高く、幻覚リスクが低い
- 対照学習でトレーニング
Abstractive Compressor（抽象型）
- 検索文書全体を読んで質問特化の要約文を生成
- 複数ドキュメントにまたがる情報を統合できる
- Multi-hop QAで特に有効
ベンチマーク結果
| タスク | RAG(非圧縮) | RECOMP-Ext | RECOMP-Abs |
|---|---|---|---|
| NQ | 44.3 | 48.1 | 49.2 |
| TriviaQA | 68.2 | 71.4 | 72.8 |
| HotpotQA | 31.1 | 38.6 | 42.3 |
LLMLingua-2との比較
| 比較項目 | RECOMP | LLMLingua-2 |
|---|---|---|
| 圧縮方式 | 要約生成 | トークン削除 |
| 追加学習 | 必要 | 済モデル利用可 |
| Multi-hop対応 | 強 | 弱 |
| 実装コスト | 高 | 低 |
まとめ
RECOMPは「検索結果を質問に特化した形で再構成する」高精度なアプローチ。Multi-hop QAや複雑な推論が必要なRAGタスクで特に有効。