E^2GraphRAG：精简基于图的 RAG 以实现高效与高有效性
人工智能
2025-06-09 v4
摘要
诸如 GraphRAG 之类的基于图的 RAG 方法通过构建层次化实体图，展现了对知识库的令人期待的全局理解能力。然而，它们通常存在效率低下的问题，并且依赖于手动预定义的查询模式，限制了实际应用。在本文中，我们提出了 E^2GraphRAG，一个精简的基于图的 RAG 框架，可同时提升效率 (Efficiency) 和有效性 (Effectiveness)。在索引阶段，E^2GraphRAG 利用大语言模型构建摘要树，并基于文档块使用 SpaCy 构建实体图。然后，我们在实体和块之间构建双向索引以捕获它们的多对多关系，从而在局部和全局检索期间实现快速查找。对于检索阶段，我们设计了一种自适应检索策略，利用图结构在局部和全局模式之间进行检索和选择。实验表明，E^2GraphRAG 的索引速度比 GraphRAG 快 10 倍，在检索方面比 LightRAG 快 100 倍，同时保持了具有竞争力的问答性能。
引用
@article{arxiv.2505.24226,
title = {E^2GraphRAG: Streamlining Graph-based RAG for High Efficiency and Effectiveness},
author = {Yibo Zhao and Jiapeng Zhu and Ye Guo and Kangkang He and Xiang Li},
journal= {arXiv preprint arXiv:2505.24226},
year = {2025}
}
备注
16 pages