混合检索增强生成：大型语言模型推理的语义与结构整合

基于知识图谱（KG）的最新GraphRAG方法主要依赖于欠缺推理能力或结构性的路径级检索器，这阻碍了它们同时捕捉细粒度的语义相关性和显式的多跳推理路径。这种分离常导致语义不匹配——缺失逻辑链接——或推理中的结构过度约束——刚性依赖限制了灵活推理——从而降低了复杂知识图谱问答（KGQA）任务中答案的准确性和证据的可靠性。为解决这些问题，我们提出了HybRAG，一种融合语义节点级检索器与结构路径级检索器的混合检索框架。HybRAG构建了一个混合子图，同时反映实体的语义接近性和知识图谱中编码的关系结构。此外，我们引入了检索增强的微调，使模型能够内化先进的推理策略，解读不同的语义与结构信号，而非仅仅记忆领域事实。通过在WebQSP和CWQ基准上的广泛实验，我们证明了HybRAG有效弥合了以大型语言模型为中心的语义方法与以图神经网络为中心的结构方法之间的差距，优于单一检索器基线。我们的发现，包括详细的敏感性和消融分析，提供了实证证据，表明语义和结构信号的系统对齐对于确保下一代GraphRAG系统推理的可靠性与可扩展性至关重要。