摘要
检索增强生成（RAG）作为提升大型语言模型（LLMs）外部知识的一种范式，然而现有的基于图的方法面临着根本性限制：以实体为中心和以块为中心的方法在锚定于原始文本的表示上操作，缺乏真正的知识融合。尽管实体中心方法连接逻辑相关内容，而块中心方法保持上下文，但两者通过相似性搜索分别检索信息，错失了从其综合中涌现的理解。
在本文中，我们提出了HyGRAG，一个层次化图RAG框架，超越源文档，解决了三个核心挑战：构建真正整合上下文和关系信息的摘要，利用这些合成表示在检索过程中访问涌现知识，以及高效更新动态语料库的层次结构。具体而言，我们设计了基于混合图的层次索引结构，同时包含块和实体节点，随后对它们进行迭代聚类并生成基于LLM的摘要。接着，我们设计了上下文和关系感知的检索机制，能够在所有抽象层次上进行搜索，同时通过社区成员资格进行扩展。此外，我们通过基于附加的算法实现动态知识更新，仅需进行局部重新摘要。
实验结果表明，HyGRAG在多跳推理任务上的平均准确率提高了9.7%，同时保持了合理的效率。
博主点评： HyGRAG框架通过将上下文和关系信息有效结合，显著提升了图检索的表现，展示了在动态知识更新中的潜力。这一创新为未来的知识增强型语言模型奠定了基础，值得关注。