GRAG：图检索增强生成

虽然检索增强生成（RAG）通过生成式语言模型提升了响应的准确性和相关性，但在文本和拓扑信息同等重要的基于图的环境中表现不足。简单的RAG方法固有地忽视了文本图的结构复杂性，导致生成过程存在关键缺口。为了解决这一挑战，我们提出了图检索增强生成（GRAG），通过强调子图结构的重要性，显著提升了检索和生成过程。与仅关注基于文本的实体检索的RAG方法不同，GRAG保持了对图拓扑结构的敏锐感知，这对生成语境和事实一致的响应至关重要。我们的GRAG方法包含四个主要阶段：k跳自环图的索引、图检索、软剪枝以减少无关实体的影响，以及利用剪枝后的文本子图进行生成。GRAG的核心工作流程——检索文本子图并随后进行软剪枝——有效识别相关子图结构，同时避免了耗时不可行的NP难度的穷尽子图搜索。此外，我们提出了一种新颖的提示策略，实现了从文本子图到层次化文本描述的无损转换。在图多跳推理基准的广泛实验证明，在需要对文本图进行多跳推理的场景中，我们的GRAG方法显著超越了现有最先进的RAG方法，同时有效缓解了幻觉问题。