OMD-GraphRAG：基于本体引导的提取、多维聚类与双通道融合增强GraphRAG
人工智能
2026-05-27 v3 信息检索
摘要
检索增强生成（RAG）系统在复杂推理、多跳查询和领域特定问答方面面临诸多挑战。虽然现有的GraphRAG框架在结构化知识组织方面取得了进展，但在知识提取精度、社区报告完整性和检索性能方面仍存在局限。本文提出了OMD-GraphRAG，一个基于开源GraphRAG构建的增强框架。该框架引入了三个核心创新：（1）运用预定义Schema指导LLM准确识别领域特定实体和关系的本体引导知识提取；（2）通过对齐完成、属性聚类和多跳关系聚类提高社区完整性的多维社区聚类策略；（3）通过混合图检索和社区检索平衡问答准确性与性能的双通道图检索融合。在MultiHop-RAG基准测试中，OMD-GraphRAG在综合F1分数上超过了主流开源解决方案（如LightRAG），尤其在推理和时序查询方面表现突出。
引用
@article{arxiv.2603.25152,
title = {OMD-GraphRAG: Enhancing GraphRAG with Ontology-Guided Extraction, Multi-Dimensional Clustering and Dual-Channel Fusion},
author = {Jie Wang and Honghua Huang and Xi Ge and Jianhui Su and Wen Liu and Shiguo Lian},
journal= {arXiv preprint arXiv:2603.25152},
year = {2026}
}