KERAG：用于高级问答的知识增强检索增强生成

检索增强生成（RAG）通过整合外部数据缓解大型语言模型（LLMs）中的幻觉问题，而知识图谱（KGs）为问答提供了关键的信息。传统的知识图谱问答（KGQA）方法依赖于语义解析，通常仅检索生成答案所必需的知识，因此由于严格的模式要求和语义歧义而常常覆盖率低。我们提出了KERAG，一种新颖的基于KG的RAG流程，通过检索更广泛的可能包含相关信息的子图来增强问答覆盖率。我们结合了检索-过滤-总结方法和针对知识子图进行链式思维推理微调的LLMs，减少噪音，提升对简单和复杂问题的解答能力。实验表明，KERAG在质量上超过了最先进方案约7%，并且优于GPT-4o（工具）10-21%。