从文档到对话：构建 KG-RAG 增强型 AI 助手
信息检索
2025-02-24 v1
摘要
Adobe Experience Platform AI Assistant 是一个对话式工具，使组织能够通过聊天机器人无缝地与专有企业数据进行交互。然而，由于访问限制，大语言模型（LLM）无法检索这些内部文档，限制了其生成准确零样本响应的能力。为克服这一限制，我们采用由知识图谱（KG）驱动的检索增强生成（RAG）框架，从外部知识源检索相关信息，从而使 LLM 能够对私有或此前未见的文档集合回答问题。本文提出了一种构建高质量、低噪声 KG 的新方法。我们应用了包括使用种子概念进行增量实体解析、基于相似度的过滤去重、为实体-关系对分配置信度得分以筛选高置信度配对，以及将事实链接到源文档以追溯来源等多项技术。我们的 KG-RAG 系统检索相关元组，这些元组在发送给 LLM 生成响应之前被添加到用户提示的上下文中。我们的评估表明，这种方法显著提升了响应相关性，将不相关答案降低超过 50%，将完全相关答案提高 88%。
引用
@article{arxiv.2502.15237,
title = {From Documents to Dialogue: Building KG-RAG Enhanced AI Assistants},
author = {Manisha Mukherjee and Sungchul Kim and Xiang Chen and Dan Luo and Tong Yu and Tung Mai},
journal= {arXiv preprint arXiv:2502.15237},
year = {2025}
}