图引导概念选择以提高检索增强生成的效率
机器学习
2025-10-29 v1
摘要
基于图的检索增强生成 (RAG) 从文本块构建知识图谱 (KG)，以增强基于大语言模型 (LLM) 的问答检索。这在生物医学、法律和政治科学等领域尤为有益，因为有效检索通常涉及对专有文档的多跳推理。然而，这些方法需要大量 LLM 调用从文本块中提取实体和关系，在规模化时造成高昂成本。通过精心设计的消融研究，我们观察到某些单词（称为概念）及其关联文档更为重要。基于这一洞察，我们提出了图引导概念选择 (G2ConS)。其核心包括块选择方法和 LLM 独立概念图。前者选择显著文档块以降低 KG 构建成本；后者在块选择引入的知识差距方面以零成本进行补偿。在多个真实世界数据集上的评估显示，G2ConS 在构建成本、检索效果和答案质量方面均优于所有基线方法。
引用
@article{arxiv.2510.24120,
title = {Graph-Guided Concept Selection for Efficient Retrieval-Augmented Generation},
author = {Ziyu Liu and Yijing Liu and Jianfei Yuan and Minzhi Yan and Le Yue and Honghui Xiong and Yi Yang},
journal= {arXiv preprint arXiv:2510.24120},
year = {2025}
}