摘要
Retrieval-Augmented Generation (RAG) 解决了大语言模型在回答特定领域问题时的局限性。图基 RAG 方法，如 GraphRAG，通过捕捉知识图谱（KGs）中的语义关系来增强检索能力。尽管 FAIR 原则（可发现性、可访问性、互操作性和可重用性）在科学数据管理中越来越普遍，尤其是在医学等复杂领域，但现有的 RAG 方法缺乏对基础知识资源的结构化 FAIR 化。这一缺陷限制了它们在这些领域的 FAIR 信息检索潜力。
为了解决这一问题，我们提出了 FAIR GraphRAG，一个将 FAIR 数字对象（FDOs）整合为图基检索系统基本单元的新框架。每个图节点代表一个 FDO，包含核心数据、元数据、持久标识符和语义链接。我们利用大语言模型支持模式构建及从数据源自动提取内容和元数据。该框架由医生和计算机科学家共同设计，以确保技术和临床的相关性。
我们将 FAIR GraphRAG 应用到胃肠病学的生物医学数据集，展示其在 RNA 测序数据中的适用性。除了确保遵循 FAIR 原则，FAIR GraphRAG 还显著提高了问题回答的准确性、覆盖率和可解释性，尤其是在涉及元数据和本体链接的复杂查询中。这项工作展示了将 FAIR 数据实践与图基检索技术结合的可行性。我们认为该方法在教育和商业等其他专业领域也有应用潜力。
博主点评： FAIR GraphRAG 通过引入 FAIR 原则，提升了知识检索的效率和准确性，尤其是在医学等复杂领域的应用前景广阔。该框架不仅解决了现有 RAG 方法的不足，还为未来的知识图谱研究开辟了新方向。