最新成果：基于图的 RAG 统一框架 in-depth 分析-CSDN博客

论文：In-depth Analysis of Graph-based RAG in a Unified Framework
链接：https://arxiv.org/abs/2503.04338
代码：https://github.com/JayLZhou/GraphRAG

研究团队：香港中文大学（深圳）与华为云研究人员
编辑：深度学习自然语言处理公众号

研究背景与动机

当前，大语言模型（LLMs）广泛应用于各种领域，但受限于预训练数据的不足，往往产生“幻觉”（hallucination）现象。为此，学界提出了检索增强生成（RAG）方法，通过外部知识补充来提升模型的可靠性。近年来，基于图的RAG方法因其能够更好地捕捉语义结构和实体关系而受到广泛关注。然而，目前缺乏统一的框架系统地对这些方法进行比较和分析。

研究问题与目标

本文旨在提出一种统一的分析框架，系统性地对现有的graph-based RAG方法进行比较分析，并探索其关键性能因素。通过实验研究，作者探究明确了不同方法适用于何种问题类型，形成了一个普适的框架。并挖掘未来的研究潜力。

核心方法与统一框架设计

图构建（Graph Building）

将语料库分割为多个chunk
从每个chunk中提取节点和边，构建不同类型的图结构（如树、知识图谱、文本知识图谱、富知识图谱等）

索引构建（Index Construction）

为图中的节点和关系创建高效的向量数据库索引，采用文本编码模型（如BGE-M3）
使用社区发现算法（如Leiden算法）建立社区索引，以高效支持在线查询
操作符配置（Operator Configuration）
提炼出节点、关系、chunk、子图、社区等多种操作符
不同方法通过选取特定操作符组合，实现个性化的检索策略
检索与生成（Retrieval & Generation）
根据用户问题，检索相关节点、关系或社区，结合原始问题构造prompt
使用LLM生成答案，生成范式包括直接生成和Map-Reduce两种模式

实验评估与结果

作者在11个真实世界数据集（包括特定问题和抽象问题任务）上对12种主流的基于图的RAG方法进行全面评估。

实验数据集与评估指标

特定问题（Specific QA）数据集（如MultihopQA、Quality、PopQA等），评估指标为准确率、召回率以及字符串匹配指标（STRREC、STREM、STRHIT）。
抽象问题（Abstract QA）数据集（如Mix、CS、Legal等），采用GPT-4o作为评估工具，从全面性、多样性、赋能性和整体质量四个维度进行比较。