BambooKG：基于神经生物学启发的频率加权知识图谱

检索增强生成（Retrieval-Augmented Generation）允许大语言模型访问外部知识，从而减少幻觉和数据过期问题。然而，这种方法将检索到的文本块视为独立单元，难以处理跨文档的多跳或关系推理，尤其是在处理复杂关系时表现不足。知识图谱通过使用三元组捕获实体之间的关系，实现结构化的多块推理，能够弥补这一不足。然而，这类知识图谱往往遗漏那些难以符合三元组结构的信息。我们引入 BambooKG，这是一种带有基于频率的权重的知识图谱，用于非三元组边缘，这些权重反映了链路强度，借鉴了神经生物学中“一起放电，一起连接”（fire together, wire together）的 Hebbian 原理。这减少了信息损失，并在单跳和多跳推理任务中实现了性能提升，超越了现有解决方案。