本体学习与知识图谱构建：方法比较及其对 RAG 性能的影响
信息检索
2025-11-11 v1 人工智能
摘要
检索增强生成(RAG)系统将大型语言模型(LLMs)与外部知识相结合，其性能很大程度上取决于该知识的表示方式。本研究探讨了不同的知识图谱(KG)构建策略如何影响 RAG 性能。我们比较了各种方法：标准基于向量的 RAG、GraphRAG，以及基于从关系型数据库或文本语料库中推导出的本体构建的 KG 的检索。结果表明，包含块信息的本体导向 KG 在与最先进框架相当的性能方面显著优于基于向量的检索基线。此外，研究发现，从关系型数据库中构建的本体导向 KG 在性能上与基于从文本中提取本体的 KG 相当，具有双重优势：它们只需要一次性的本体学习过程，大大降低了 LLM 的使用成本；并且避免了基于文本方法中本体合并的复杂性。
引用
@article{arxiv.2511.05991,
title = {Ontology Learning and Knowledge Graph Construction: A Comparison of Approaches and Their Impact on RAG Performance},
author = {Tiago da Cruz and Bernardo Tavares and Francisco Belo},
journal= {arXiv preprint arXiv:2511.05991},
year = {2025}
}
备注
12 pages, 8 Figures