面向电商场景中基于知识图谱的检索增强生成神经检索-重排序管道比较分析
信息检索
2026-02-27 v1 人工智能
计算与语言
摘要
近期大语言模型（LLM）的快速发展变革了自然语言处理（NLP），使其能够实现复杂的信息检索和生成任务。检索增强生成（RAG）作为一种关键创新，通过整合外部知识源与生成模型，提升了事实准确性和上下文依托。尽管RAG在非结构化文本上表现突出，但其应用于结构化知识图谱面临挑战：如何扩大跨图检索规模，以及在响应生成期间保持上下文关系。交叉编码器可精炼检索精度，但其与结构化数据的集成仍属未充分探索的领域。针对这些挑战，本研究提出了用于电商场景中知识图谱自然语言查询的多种检索器-重排序管道的设计与比较评估。我们使用STaRK准结构化知识库（SKB），这是一个面向生产环境的电商数据集，评估了针对语言查询优化的多种RAG管道配置。实验结果表明，相较于已发布的基准，本方法在Hit@1上提升了20.4%，在平均倒数排名（MRR）上提升了14.5%。这些发现为将特定领域的SKB集成到生成系统提供了实用框架。我们的贡献为部署面向生产的RAG系统提供了可操作性见解，其影响力可能延伸至需要从结构化知识库中进行信息检索的其他领域。
引用
@article{arxiv.2602.22219,
title = {Comparative Analysis of Neural Retriever-Reranker Pipelines for Retrieval-Augmented Generation over Knowledge Graphs in E-commerce Applications},
author = {Teri Rumble and Zbyněk Gazdík and Javad Zarrin and Jagdeep Ahluwalia},
journal= {arXiv preprint arXiv:2602.22219},
year = {2026}
}
备注
This manuscript is under review at the Springer journal Knowledge and Information Systems