通过命题图遍历实现综合 RAG 的导航式方法
计算与语言
2026-01-09 v1
摘要
基于分块的标准 RAG 流水线在简单事实检索上表现出色，但由于缺乏结构连通性，在复杂多跳查询上失败。相反，将检索与推理交替进行的初始策略通常缺乏全局语料库感知，而基于知识图谱（KG）的 RAG 在复杂多跳任务上表现强劲，但在面向事实的单跳查询上表现不佳。为弥合这一差距，我们提出了一种新颖的 RAG 框架：ToPG（Traversal over Proposition Graphs）。ToPG 将其知识库建模为命题、实体和段落的异构图，有效地将命题的细粒度事实密度与图的连通性相结合。我们利用迭代建议-选择（Suggestion-Selection）循环来使用这种结构，其中建议阶段实现了对图的查询感知遍历，而选择阶段提供 LLM 反馈以修剪不相关的命题并为下一次迭代提供种子。在三个不同的问答任务（简单、复杂和抽象问答）上的评估表明，ToPG 在基于准确性和基于质量的指标上均表现出强劲的性能。总体而言，ToPG 表明，查询感知的图遍历结合事实粒度是高效结构化 RAG 系统的关键组成部分。ToPG 可从 https://github.com/idiap/ToPG 获取。
引用
@article{arxiv.2601.04859,
title = {A Navigational Approach for Comprehensive RAG via Traversal over Proposition Graphs},
author = {Maxime Delmas and Lei Xu and André Freitas},
journal= {arXiv preprint arXiv:2601.04859},
year = {2026}
}
备注
23 pages, 10 figures, 6 tables