FastInsight：基于融合算子的图 RAG 快速且富有洞察力的检索
信息检索
2026-01-27 v1 人工智能
摘要
旨在对语料库图进行富有洞察力检索的现有 Graph RAG 方法，通常依赖于交织大型语言模型 (LLM) 推理的耗时过程。为了实现高效的富有洞察力的检索，我们提出了 FastInsight。我们首先引入了一个图检索分类法，将现有方法分为三种基本操作：向量搜索、图搜索和基于模型的搜索。通过该分类法，我们发现了当前方法中的两个关键局限性：基于模型搜索的拓扑盲区和图搜索的语义盲区。FastInsight 通过交织两个新颖的融合算子克服了这些局限性：作为图模型搜索的基于图的重排器 (GRanker)，以及作为向量-图搜索的语义-拓扑扩展 (STeX)。在广泛的检索和生成数据集上的大量实验表明，与 SOTA 基线相比，FastInsight 显著提高了检索准确率和生成质量，在有效性与效率的权衡上实现了显著的 Pareto 改进。
引用
@article{arxiv.2601.18579,
title = {FastInsight: Fast and Insightful Retrieval via Fusion Operators for Graph RAG},
author = {Seonho An and Chaejeong Hyun and Min-Soo Kim},
journal= {arXiv preprint arXiv:2601.18579},
year = {2026}
}
备注
under review