RAG再登ACL！微软GraphRAG「知识图谱索引」+人大RichRAG「子意图拆解」：效率起飞

最新推荐文章于 2025-12-31 07:49:38 发布

原创最新推荐文章于 2025-12-31 07:49:38 发布 · 780 阅读

31 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #深度学习 #机器学习

部署运行你感兴趣的模型镜像

近年来，检索增强生成（RAG）技术通过融合外部知识库与大语言模型（LLM），有效缓解了幻觉问题和静态知识瓶颈，成为AI领域的热门方向。然而，传统RAG在应对全局语义理解与多面用户意图时仍显乏力：一方面，针对“数据集核心趋势是什么？”等全局性问题，局部检索易陷入碎片化答案；另一方面，用户提出的开放式多面查询（如“说唱文化的特点与发展”）往往只能获得浅层回答，缺乏深度与广度。

近期两项突破性研究为这一困境提供了全新思路——微软团队的GraphRAG与中国人民大学联合发布的RichRAG，分别从“空间扩展”与“意图拆解”两个维度重构RAG技术框架。当前，RAG技术已进入“精准化”与“人性化”并行的新阶段。本文精选两篇顶会论文，详解其核心算法与实验设计（附开源代码），涵盖知识图谱构建、社区摘要生成、子意图发现、LLM偏好对齐等关键技术模块。无论是希望突破局部检索局限，还是攻克多面查询难题，这些方案都将为研究者提供可直接复用的创新范式。下方已经附上获取完整论文解读与代码实现。

我这边也已经帮同学们整理好了8篇RAG方向上的一些前沿文章，不想多花时间找资料的可以直接拿，也欢迎大家分享本文给好友同学~

点击【AI十八式】的主页，获取更多优质资源！

【论文1】From Local to Global: A Graph RAG Approach to Query-Focused Summarization

这篇文献提出了一种名为 GraphRAG 的方法，用于在大规模文本语料库上进行基于检索增强生成（RAG）的问答任务。GraphRAG 的核心思想是通过构建知识图谱和社区检测，实现对整个文本语料库的全局理解。以下是 GraphRAG 的研究方法和创新点的简单介绍：

研究方法

知识图谱构建：从源文档中提取实体和关系，构建一个知识图谱，其中节点表示实体，边表示关系。
社区检测：使用社区检测算法（如 Leiden 算法）将知识图谱划分为多个层次化的社区，每个社区包含一组高度相关的实体。
分层社区总结：对每个社区生成总结报告，通过递归聚合低层社区的总结，生成更高层次的社区总结。
全局问答：利用社区总结生成部分答案，并通过汇总这些部分答案生成最终的全局答案。
自适应基准测试：使用大型语言模型（LLM）生成需要全局理解的问题，并设计了四个评估指标（全面性、多样性、赋能性和直接性）来评估生成答案的质量。

创新点

基于知识图谱的全局问答：通过构建知识图谱和分层社区结构，实现了对大规模文本语料库的全局理解。
分层社区总结：通过递归聚合低层社区的总结，生成更高层次的社区总结，显著提高了总结的全面性和多样性，同时减少了所需的上下文 token 数量。
自适应基准测试：提出了一种基于 LLM 的自适应基准测试方法，能够更公平地评估全局问答系统的性能。
高效的上下文使用：通过社区总结生成答案，显著减少了所需的上下文 token 数量，从而提高了系统的效率。

GraphRAG 在处理全局性问答任务时表现出色，为大规模文本数据的全局问答提供了一种新的解决方案。

论文链接：https://arxiv.org/abs/2404.16130

代码链接：https://paperswithcode.com/paper/from-local-to-global-a-graph-rag-approach-to

【论文2】RichRAG: Crafting Rich Responses for Multi-faceted Queries in Retrieval-Augmented Generation

方法介绍

RichRAG采用检索增强生成（RAG）技术，通过三个核心组件处理多方面查询：

子方面探索器：利用大型语言模型（LLM）识别查询的潜在子方面，为后续处理提供明确方向。
多方面检索器：根据子方面检索相关文档，构建全面的候选文档池。
生成式列表排名器：从候选池中选出最相关文档，生成全局最优排名列表供生成器使用。排名器基于编码器-解码器结构，通过监督微调和强化学习优化，确保输出与生成器偏好一致。