TOBUGraph：基于知识图谱的检索框架以提升 LLM 性能超越 RAG
高能物理 - 理论
2024-12-10 v1 统计力学
摘要
检索增强生成（RAG）是提升大语言模型（LLM）检索能力的主流方法之一，但在商业场景中仍面临显著局限。RAG 依赖查询-块文本在嵌入空间中的相似度进行检索，难以捕捉跨块的深层语义关联，对分块策略极其敏感，且易产生幻觉。为此，我们提出 TOBUGraph——一种基于图的检索框架。它动态自动构建数据集的知识图谱，通过 LLM 提取结构化知识与多样化关联，超越 RAG 的文本-文本相似度。检索通过图遍历实现，充分利用提取的关联与结构提升检索精度，无需分块配置，显著降低幻觉风险。我们在面向个人记忆组织与检索的实际应用 TOBU 中展示了 TOBUGraph 的有效性。真实用户数据评估表明，TOBUGraph 在精确率与召回率上均优于多种 RAG 实现，显著提升用户体验。
引用
@article{arxiv.2412.05446,
title = {AdS/CFT Duality and Holographic Renormalization Group: A Review},
author = {Han Huang},
journal= {arXiv preprint arXiv:2412.05446},
year = {2024}
}