BYOKG-RAG：面向知识图谱问答的多策略图检索
计算与语言
2025-07-08 v1
摘要
知识图谱问答 (KGQA) 由于输入图谱中的结构和语义差异性，面临着显著挑战。现有工作依赖大型语言模型 (LLM) 执行图遍历和检索；这种方法对遍历初始化敏感，易受实体链接错误影响，可能无法良好地针对自定义（"bring-your-own"）知识图谱进行泛化。我们引入 BYOKG-RAG，一个通过 LLM 与专用图检索工具协同作用来增强 KGQA 的框架。在 BYOKG-RAG 中，LLM 生成关键图谱构件（问题实体、候选答案、推理路径和 OpenCypher 查询），图检索工具将这些构件与知识图谱关联并检索相关图谱上下文。检索到的上下文使 LLM 能够迭代细化其图谱链接和检索，最终进行答案生成。通过从不同图检索工具检索上下文，BYOKG-RAG 提供了一种更通用、更稳健的解决方案，用于处理自定义知识图谱上的问答。通过在覆盖多样知识图谱类型的五个基准数据集上的实验，我们展示了 BYOKG-RAG 相较于第二佳图检索方法提升了4.5个百分点，同时在自定义知识图谱上表现出更好的泛化能力。BYOKG-RAG 框架已开源于 https://github.com/awslabs/graphrag-toolkit。
关键词
引用
@article{arxiv.2507.04127,
title = {BYOKG-RAG: Multi-Strategy Graph Retrieval for Knowledge Graph Question Answering},
author = {Costas Mavromatis and Soji Adeshina and Vassilis N. Ioannidis and Zhen Han and Qi Zhu and Ian Robinson and Bryan Thompson and Huzefa Rangwala and George Karypis},
journal= {arXiv preprint arXiv:2507.04127},
year = {2025}
}