2024年RAG关键技术大盘点（9月

本文链接：https://blog.csdn.net/weixin_43837507/article/details/146169828

前面两篇《2024年RAG关键技术大盘点（1月—4月）》和《2024年RAG关键技术大盘点（5月—8月）-CSDN博客》盘点2024年1月到8月内RAG领域的关键技术突破，本文会继续以时间为顺序盘点2024年9月到11月内RAG领域的关键技术突破。

9月

AgentRE：一种基于代理的框架，用于在关系抽取中的复杂信息环境中导航

论文：https://arxiv.org/abs/2409.01854

项目：https://github.com/Lightblues/AgentRE

简介：该论文提出了AgentRE，一种基于智能代理的框架，旨在提升关系抽取（Relation Extraction, RE）任务的效果。AgentRE将关系抽取任务视为一个多智能体协作过程，每个代理负责不同的信息处理或推理步骤。该框架通过多步交互和动态策略来应对复杂的信息环境，特别是在存在多种噪声、冗余信息或信息不完整的场景下。实验结果表明，AgentRE在多个关系抽取基准数据集上取得了显著的性能提升，尤其在处理复杂、长文本时表现更佳。

iText2KG：使用大型语言模型的增量式知识图谱构建

论文：https://arxiv.org/abs/2409.03284

项目：https://github.com/AuvaLab/itext2kg

简介：该论文提出了iText2KG，一种利用大型语言模型（LLMs）实现增量式知识图谱（Knowledge Graph, KG）构建的方法。iText2KG旨在动态地将不断更新的文本数据转化为知识图谱，特别适用于信息密集且变化频繁的场景。该方法结合了LLMs在自然语言理解方面的强大能力，能够从非结构化文本中提取实体、关系及其属性，并在已有知识图谱的基础上进行增量更新。实验表明，iText2KG在信息提取的准确性和图谱更新的效率方面表现优异，为知识图谱在动态环境中的构建和维护提供了有效方案。

GraphInsight：解锁大型语言模型对图结构理解的洞察

论文：https://arxiv.org/abs/2409.03258

简介：该论文提出了GraphInsight，一个探索大型语言模型（LLMs）在图结构理解能力方面的框架。研究者分析了LLMs如何处理图数据，并评估其在图相关任务（如节点分类、链接预测和子图匹配）上的表现。GraphInsight 通过一系列实验揭示了LLMs 在隐式图表示学习上的潜力，同时也指出了其在捕捉复杂拓扑结构时的局限性。研究表明，尽管LLMs 能够在某些任务上提供有价值的推理能力，但在精确建模图结构方面仍与专门的图神经网络（GNNs）存在差距。论文最终探讨了如何结合 LLMs 和图学习方法，以提升复杂图数据的理解和推理能力。