摘要

当前的多跳问答（multi-hop question answering, QA）系统通常将问题分解为一系列推理步骤，即所谓的“思维链”（chain-of-thought, CoT），最终得出答案。在实践中，常通过采样多个思维链，并对最终答案进行投票聚合来提升性能，但中间推理步骤本身在后续处理中被丢弃。尽管此类方法能有效提升准确率，却未能考虑不同思维链之间中间步骤的内在关联，也无法为预测答案提供统一、连贯的解释。为此，我们提出多思维链推理（Multi-Chain Reasoning, MCR）方法，该方法不采用对多个思维链答案的简单聚合，而是引导大型语言模型对多个思维链进行元推理（meta-reasoning）。MCR能够分析不同推理路径，融合其中的信息，并在生成解释和预测答案时筛选出最相关的关键事实。实验表明，MCR在7个主流多跳问答数据集上均显著优于现有强基线模型。此外，我们的分析显示，MCR生成的解释具有较高质量，能够支持人类用户对模型答案进行有效验证。