如何缓解GraphRAG中知识图谱的信息损失：利用三元组上下文恢复与查询驱动反馈
人工智能
2025-06-10 v2 信息检索
摘要
知识图谱增强的大型语言模型最近在复杂推理任务中取得了显著进展，这得益于其广泛的领域知识和上下文感知能力。不幸的是，当前方法通常假设知识图谱是完整的，这在实际中是不现实的，因为知识图谱构建存在固有局限性，并且在将非结构化文本转换为实体-关系三元组时可能丢失上下文线索。为此，本文提出了三元组上下文恢复与查询驱动反馈框架，该框架重建每个三元组背后的文本上下文以缓解信息损失，同时通过迭代整合查询相关的缺失知识来动态优化知识图谱结构。在五个基准问答数据集上的实验证实了TCR-QF在知识图谱与大型语言模型集成中的有效性，与最先进的GraphRAG竞争对手相比，精确匹配提高了29.1%，F1分数提高了15.5%。
引用
@article{arxiv.2501.15378,
title = {How to Mitigate Information Loss in Knowledge Graphs for GraphRAG: Leveraging Triple Context Restoration and Query-Driven Feedback},
author = {Manzong Huang and Chenyang Bu and Yi He and Xindong Wu},
journal= {arXiv preprint arXiv:2501.15378},
year = {2025}
}
备注
This paper has been accepted to IJCAI 2025