利用检索增强的大语言模型借助外部知识修复历史文献
历史文献常因物理损坏而难以辨认，现有基于掩码语言模型的修复方法虽能利用局部上下文，但无法恢复需要外部历史知识的命名实体。为此，我们提出了一种新框架，利用检索增强生成（RAG）的大语言模型，结合预训练LLM的隐含知识与显式检索的外部上下文，有效推断上下文相关的专有名词。在韩国历史文献上的实验表明，该方法在恢复普通字符和命名实体上均显著优于基线，专家评估证实其可作为领域专业人员的实用工具。
历史文献是人类知识的宝库，但物理老化和损坏常常导致文字模糊不清，严重阻碍了历史研究。现有的文档修复方法主要基于掩码语言模型，它们能够有效利用局部上下文来补全缺失字符，但在处理涉及历史背景的命名实体（如人名、地名、官职等）时表现不佳，因为这些实体需要依赖外部历史知识才能准确恢复。针对这一痛点，研究团队引入了检索增强生成（RAG）技术，提出全新框架“ARI”（Augmented Restoration with Information Retrieval）。
ARI框架的核心思路是将预训练大语言模型（LLM）的内在知识与外部知识库进行有机结合。具体而言，当遇到疑似缺失或模糊的专有名词时，系统会先从外部历史资料中检索相关文档和记录，然后将这些外部上下文与文档中的局部特征一同提供给LLM，从而实现对专有名词的精确推断。这种方式有效弥补了传统掩码模型仅依赖局部信息的局限性。
为了验证方法的有效性，研究团队在韩国历史文献上进行了大量实验。实验结果表明，ARI不仅在普通字符的恢复上显著优于现有基线方法，在命名实体的恢复上更是取得了大幅度提升。此外，通过邀请历史学家进行专家评估，ARI被证明是一个实用且高效的辅助工具，能够帮助专家加速对历史记录的分析工作。该研究成果已被计算语言学顶级会议ACL 2026 Findings接收，标志着AI在人文领域应用的重要进展。