HybridRAG：知识图谱与向量检索增强生成集成，用于高效信息提取

从金融应用中产生的非结构化文本数据（如收益电话会议记录）中提取和解释复杂信息，对大型语言模型（LLM）构成了重大挑战，即使采用当前的最佳实践——利用向量数据库进行信息检索的检索增强生成（RAG）（称为VectorRAG技术），也面临领域特定术语和文档复杂格式等挑战。我们提出了一种名为HybridRAG的新方法，它结合了基于知识图谱（KGs）的RAG技术（称为GraphRAG）和VectorRAG技术，以增强从金融文档中提取信息的问题回答（Q&A）系统，该系统被证明能够生成准确且上下文相关的答案。在一组以Q&A格式呈现的金融收益电话会议记录文档上的实验（因此提供了一组自然的Q&A真值对）表明，HybridRAG同时从向量数据库和知识图谱中检索上下文，在检索阶段和生成阶段均优于单独的传统VectorRAG和GraphRAG，在检索准确性和答案生成方面均表现更优。所提出的技术具有超越金融领域的应用前景。