PankRAG：通过全局感知查询解析与依赖感知重排序机制增强图检索
计算与语言
2026-01-22 v2 人工智能
信息检索
摘要
近期基于图的 RAG 方法通过从查询中提取实体来获取其关联关系和元数据，从而利用知识图谱。然而，仅依赖实体提取往往会导致对潜在关键信息和关系的误解或遗漏。这可能导致检索到不相关或矛盾的内容，以及遗漏基本信息，从而增加幻觉风险并损害生成响应的质量。在本文中，我们提出了 PankRAG，这是一个旨在捕获并解析先前方法忽略的复杂查询中潜在关系的框架。它通过全局感知的层次化解析路径和依赖感知的重排序机制的协同组合来实现这一点。PankRAG 首先生成一条全局感知的解析路径，捕获并行和渐进关系，引导 LLM 通过层次化推理路径解析查询。此外，其依赖感知的重排序机制利用已解析的子问题依赖关系，来增强和验证当前未解析子问题的检索内容。实验结果表明，PankRAG 始终优于现有的 SOTA 方法，凸显了其泛化能力。
引用
@article{arxiv.2506.11106,
title = {PankRAG: Enhancing Graph Retrieval via Globally Aware Query Resolution and Dependency-Aware Reranking Mechanism},
author = {Ningyuan Li and Junrui Liu and Yi Shan and Minghui Huang and Ziren Gong and Tong Li},
journal= {arXiv preprint arXiv:2506.11106},
year = {2026}
}
备注
Accepted by ICASSP 2026