以查询为中心的图检索增强生成论文信息
标题: Query-Centric Graph Retrieval Augmented Generation
作者: Yaxiong Wu, Jianyuan Bo, Yongyue Zhang, Sheng Liang, Yong Liu
发布日期: 2025-09-25
ArXiv链接: https://arxiv.org/abs/2509.21237
核心概述基于图的检索增强生成(RAG)通过外部知识丰富大型语言模型(LLM),实现长上下文理解和多跳推理。但现有方法面临粒度困境:细粒度的实体级图会产生高昂的token成本并丢失上下文,而粗粒度的文档级图无法捕捉细微的关系。
粒度困境细粒度实体级图优势:
精确的实体关系建模
支持细致的推理
关系表达清晰
劣势:
Token成本极高
上下文信息碎片化
实体消歧困难
粗粒度文档级图优...
无需预构建图的RAG:自适应推理结构的检索增强生成
无需预构建图的RAG:自适应推理结构的检索增强生成论文信息
标题: You Don’t Need Pre-built Graphs for RAG: Retrieval Augmented Generation with Adaptive Reasoning Structures
作者: Shengyuan Chen, Chuang Zhou, Zheng Yuan, Qinggang Zhang, Zeyang Cui, Hao Chen, Yilin Xiao, Jiannong Cao, Xiao Huang
发布日期: 2025-08-08
ArXiv链接: https://arxiv.org/abs/2508.06105
核心概述大型语言模型(LLM)在处理超出其知识和感知范围的问题时,常常会产生幻觉,生成事实错误的陈述。检索增强生成(RAG)通过从知识库检索查询相关的上...
GraphRAG-R1: 图检索增强生成与过程约束强化学习
GraphRAG-R1: 图检索增强生成与过程约束强化学习
ArXiv ID: 2507.23581作者: Chuanyue Yu, Kuo Zhao, Yuhan Li 等机构: Tsinghua University发表: The Web Conference 2026 (WWW’26)发布日期: 2025-07-31
摘要现有的 GraphRAG 方法在处理复杂多跳推理任务时存在局限性。GraphRAG-R1 提出了一种自适应 GraphRAG 框架，通过过程约束的基于结果的强化学习来训练 LLM，增强其多跳推理能力。框架设计了两个关键奖励机制：渐进式检索衰减 (PRA) 解决浅层检索问题，成本感知 F1(CAF) 平衡性能与开销。在域内和域外数据集上均超越 SOTA 方法。
问题背景传统 GraphRAG 的局限12345678910111213141516171819...