Junnan Dong Siyu An Yifei Yu Qian-Wen Zhang Linhao Luo et al

Abstract

Graph-Abfrage-erweiterte Generierung (GraphRAG) hat große Sprachmodelle durch die organisation von fragmentiertem Wissen in explizit strukturierten Graphen effektiv bei komplexen Schlussfolgerungen unterstützt. Bisherige Ansätze haben entweder die Graphenkonstruktion oder die Graphenabfrage isoliert verbessert, was zu suboptimalen Ergebnissen führt, insbesondere bei Domänenverschiebungen. In diesem Paper stellen wir ein vertikal integriertes agenzienbasiertes Paradigma, Youtu-GraphRAG, vor, das den gesamten Rahmen als komplex integrierte Einheit verbindet. Konkret: (i) Wir führen ein Seed-Graph-Schema ein, das den automatischen Extraktions-Agenten auf spezifische Entitätstypen, Relationstypen und Attributtypen beschränkt und kontinuierlich erweiterbar für Skalierbarkeit über bisher unbekannte Domänen hinaus gestaltet; (ii) Um höherstufiges Wissen auf Basis dieses Schemas zu gewinnen, entwickeln wir eine neuartige doppelt wahrgenommene Gemeinschaftserkennung, die strukturelle Topologie mit Untergraph-Semantik fusioniert, um eine umfassende Wissensorganisation zu ermöglichen. Dies führt naturgemäß zu einem hierarchischen Wissensbaum, der sowohl top-down-Filterung als auch bottom-up-Reasoning mit Gemeinschaftszusammenfassungen unterstützt; (iii) Ein agenzienbasierter Retriever wird entworfen, der dasselbe Graph-Schema interpretiert, um komplexe Anfragen in handhabbare und parallele Teilanfragen zu transformieren. Er führt iterativ Reflexion durch, um fortgeschrittenere Schlussfolgerungen zu ermöglichen; (iv) Um das Problem des Wissenslecks in vortrainierten LLMs zu mildern, schlagen wir einen maßgeschneiderten anonymen Datensatz sowie eine neuartige Aufgabe „Anonymity Reversion“ vor, die die tatsächliche Leistung von GraphRAG-Systemen tiefgreifend misst. Umfangreiche Experimente an sechs anspruchsvollen Benchmarks belegen die Robustheit von Youtu-GraphRAG und verschieben die Pareto-Grenze erheblich – mit bis zu 90,71 % geringerem Token-Verbrauch und 16,62 % höherer Genauigkeit im Vergleich zu aktuellen State-of-the-Art-Baselines. Die Ergebnisse zeigen unsere Anpassungsfähigkeit, die eine nahtlose Domänenübertragung mit minimalen Eingriffen am Schema ermöglicht.