知识卡片：面向生物医学信息抽取的可配置语义分块框架

英文标题：Configurable Semantic Chunking for Biomedical Information Extraction in Retrieval-Augmented Generation

英文关键词：retrieval-augmented generation; semantic chunking; biomedical information extraction; relation extraction; configurable framework

一句话结论：面向生物医学信息抽取，将检索增强生成（RAG）中的固定大小分块替换为可配置的语义分块，可在部分关系抽取任务上显著提升效果；但分块策略的优劣依任务类型而异，并非对所有数据集都更优。

事件概述或研究问题：BioMedRAG 将带有学习式分块评分器的检索增强生成引入生物医学信息抽取，但其依赖固定大小分块，可能割裂语义证据。本文提出一种可配置的语义分块框架，通过组合多种分块策略解决这一问题，并仅替换 BioMedRAG 中的分块构建阶段，保留嵌入模型、学习式分块评分器、生成器和评估协议。

方法/产品要点：该可配置语义分块框架整合了以下策略：

• 实体保持窗口（entity-preserving windows）
• 以触发词为中心的分块（trigger-centered chunking）
• 命题优先抽取（proposition-first extraction）
• 分层触发词优先级（tiered trigger prioritization）
• 层级关系消解（hierarchical relation resolution）

框架将分块逻辑外部化到配置文件中，使分块策略可解释、可调整，便于适配不同生物医学 RAG 管线。

主要结果或产业意义：在 GM-CIHT 基准上，完整混合配置取得 82.6% 的 F1，相比固定大小分块基线的 74.2% F1 提升 8.4 个百分点（在论文实验设置下）。跨数据集分析显示，语义分块对具有显式关系线索的抽取数据集（如 GM-CIHT 和 DDI）更有利；而固定分块在 ChemProt 和 ADE 这类密集生化抽取或二分类任务上仍具有竞争力或更强表现。

为什么重要：该工作将 RAG 优化的视角从检索与生成层下沉到“分块”这一基础组件，指出分块策略本身会显著影响生物医学关系抽取效果。模块化替换 BioMedRAG 分块阶段，使其可以作为一种可插拔改进，同时配置化设计增强了可解释性和落地适配性。

与既有脉络的关系：已有相关卡片分别涉及多跳检索决策（DynaKRAG）、教育评测（Earthquaker-AI）和多模态检索生成（DualG-MRAG）；本条不是上述卡片的直接延续，而是补充了 RAG 管线中更细粒度的“分块”环节，并聚焦生物医学信息抽取场景，属于组件级增量信息。

局限与不确定性：来源仅包含论文摘要。各分块策略的具体实现细节、DDI 上的具体提升幅度、ChemProt 和 ADE 的完整数值、消融实验、统计显著性以及计算开销等信息均待核实。GM-CIHT 上的提升幅度也需理解为“在该论文实验设置下”的结果。

可用于图书/PPT/简报的角度：

• 分块不是“切文本”这么简单：分块方式会影响 RAG 的证据完整性。
• 固定大小分块 vs 语义分块：不同任务类型适合不同策略。
• 模块化改进：只替换分块构建阶段，也可以带来 F1 提升。
• 生物医学文本中的实体、触发词和命题关系，是设计语义分块的重要线索。
• “配置化”是让 RAG 分块策略更可解释、更易落地的一种工程思路。

原始材料：

• 英文标题：Configurable Semantic Chunking for Biomedical Information Extraction in Retrieval-Augmented Generation
• arXiv ID：2608.31139v1
• 作者：Riya Ahuja, Tim Kacprowski, Roya Shiasi Sardoabi
• 发布信息：2026-08-31
• 分类：cs.CL, cs.IR
• 摘要链接：https://arxiv.org/abs/2608.31139v1
• PDF 链接：https://arxiv.org/pdf/2608.31139v1