基于知识图谱增强RAG检索与生成机制

近日，Vector研究所研究员Ali Kore与Amrit Krishnan发布研究报告，提出一种基于知识图谱的检索增强生成系统增强方案，旨在突破传统向量检索在处理复杂关联数据时的局限。传统系统依赖向量相似度匹配，易在多跳推理与跨文档信息整合中丢失关键结构关系。研究团队设计了实体导向的KG-RAG架构：首先利用大语言模型抽取实体与关系构建图谱，并通过实体与文档标题拼接技术保留上下文语境；检索阶段采用实体相似度匹配结合子图遍历策略，最终通过投票机制精准锁定相关文本块。 该方案在头部科技企业SEC 10-Q财报数据集上完成验证。实验显示，相较于基线系统，KG-RAG在定量财务问答任务中准确率显著提升，在GPT-4o与GPT-4o-mini模型上准确率分别从百分之四十和百分之三十六点三六跃升至百分之五十五和百分之五十六，且检索延迟极低。研究指出，该方法有效弥补了小模型推理短板，并通过图谱路径提升结果可解释性。相关代码已开源，为金融等强结构化领域的智能问答提供了新范式。