MIXRAG：面向文本图理解与问答的专家混合检索增强生成
信息检索
2026-02-10 v2 人工智能
摘要
大型语言模型（LLM）在广泛的应用领域取得了令人瞩目的成绩。然而，它们常常在知识密集型领域因依赖静态预训练语料而产生幻觉。为此，检索增强生成（RAG）通过在推理过程中整合外部知识源来增强 LLM。其中，文本图提供结构化且语义丰富的信息，支持更精确、可解释的推理。这导致了对基于图的 RAG 系统日益增长的兴趣。尽管具有巨大的潜力，现有大多数方法仅依赖单一检索器来识别相关子图，这限制了其捕捉复杂查询多样方面的能力。此外，这些系统常常难以准确判断检索内容的相关性，容易受到无关噪声的干扰。为此，本文提出了 MIXRAG，一种基于图的 RAG 的专家混合框架，引入多个专用图检索器和动态路由控制器，以更好地处理多样化的查询意图。每个检索器都被训练专注于图语义的特定方面，例如实体、关系或子图拓扑。专家混合模块根据输入查询自适应地选择并融合相关检索器。为减少检索信息中的噪声，我们引入了查询感知的 GraphEncoder，仔细分析检索子图中的关系，突出显示最相关的部分，同时削弱不必要的噪声。实证结果表明，我们的方法实现了最先进的性能，持续优于各种基线方法。MIXRAG 能有效应对不同领域中各种图基任务。代码将在论文接受后发布。
引用
@article{arxiv.2509.21391,
title = {MIXRAG : Mixture-of-Experts Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering},
author = {Lihui Liu and Jiayuan Ding and Subhabrata Mukherjee and Carl J. Yang},
journal= {arXiv preprint arXiv:2509.21391},
year = {2026}
}