基于图的检索增强生成（GraphRAG）
Retrieval-Augmented Generation with Graphs (GraphRAG)
Haoyu Han, Yu Wang, Harry Shomer, Kai Guo, Jiayuan Ding, Lei, Yongjia, Mahantesh M. Halappanavar, Ryan A. Rossi, Subhabrata Mukherjee, Xianfeng Tang, Qi He, Zhigang Hua, Bo Long, Zhao, Tong, Neil Shah, Amin Javari, Yinglong Xia, Jiliang Tang
arXiv (Cornell University) · 2024-12-31
摘要
检索增强生成（RAG）是一种通过从外部来源检索知识、技能及工具等额外信息来提升下游任务执行效果的重要技术。图结构因其“节点由边连接”的内在特性，能够编码海量的异质性与关联性信息，因而在众多现实应用场景中成为支撑RAG的宝贵资源。近年来，为RAG系统引入图结构的GraphRAG技术受到了日益广泛的关注。然而，与传统RAG系统中检索器、生成器与外部数据源可在神经嵌入空间中统一设计不同，图结构数据具有格式多样且包含特定领域关联知识的特点，这为针对不同领域设计GraphRAG带来了独特而重大的挑战。鉴于GraphRAG广泛的应用前景、相关设计难题以及近期该领域的快速发展态势，对其核心概念与技术进行系统且及时的综述显得尤为迫切。基于这一需求，本文呈现了一份关于GraphRAG的全面且最新的综述。该综述首先定义了查询处理器、检索器、组织者、生成器及数据源等核心组件，进而提出了完整的GraphRAG框架。考虑到不同领域的图结构呈现出各异的关联模式且需要针对性的设计方案，文中还分别梳理了各领域专用的GraphRAG技术。最后，本文探讨了当前的研究挑战并提出了未来发展方向，以期为跨学科研究提供启发。相关的综述资料已公开存储在https://github.com/Graph-RAG/GraphRAG/供读者查阅。
本摘要由 AI（Hy-MT2-Pro）翻译生成，仅供参考，请以原文为准。
AI 综述
基于全文生成- 主要观点
- 该文主张，将图结构数据引入检索增强生成所形成的 GraphRAG，与在神经嵌入空间中统一设计检索器、生成器与外部数据源的常规 RAG 存在本质区别，其根源在于图数据的三个特性：统一格式与多样格式信息之别、独立信息与相互依赖信息之别、领域不变与领域特定信息之别。据此，作者提出一个由查询处理器、检索器、组织器、生成器与图数据源五个组件构成的 GraphRAG 整体框架，并强调五组件均需为图结构的输入输出与图操作做专门设计。文章进一步按应用关系模式将 GraphRAG 设计划分为知识图谱、文档图、科学图、社交图、规划与推理图、表格图、基础设施图、生物图、场景图与随机图十个领域，逐一考察其任务应用、图构建方法与组件技术。作者同时指出，当前研究格局碎片化，概念、技术与数据集差异显著，且过度集中于知识与文档图，可能形成限制探索范围的“泡沫效应”。最后，文章强调领域关系的不可迁移性使得设计一套适用于所有领域的统一 GraphRAG 几乎不可能，甚至同一领域的同一图在不同任务下也需不同的 GraphRAG 设计。
- 研究方法
- 文章采用文献综述路径，而非单一实证或建模研究：先自下而上归纳出一个统一的问题设定与符号体系（查询 Q、查询处理器 ΩProcessor、图数据源 G、检索器 ΩRetriever、组织器 ΩOrganizer、生成器 ΩGenerator 与答案 A），再以该框架为编码模板，对既有 GraphRAG 文献逐组件归类评述。样本构成为各领域的代表性 GraphRAG 研究，作者为每个领域编制了任务应用与示范性查询表（如知识图谱问答“美国第16任总统是谁”、时序问答“2006年美国总统是谁”、分子性质预测中 Lumo 值查询、场景图配文本指令等），并标注对应参考文献编号。领域划分之外，作者还归纳各领域的图构建方法与关系依据，汇集基准数据集与工具资源，并以公开维护的 GitHub 仓库（https://github.com/Graph-RAG/GraphRAG/）承载这些资源。此外，文章用基于所调查论文的领域发文量统计图呈现各领域研究热度分布，并通过与既有 RAG 综述（如 Naive/Advanced/Modular RAG 分类、按应用与模态分类、可信性导向综述）以及一篇聚焦图数据的近期综述进行对照，说明自身“全局统一框架＋局部领域专门化”的差异化定位。
- 学术贡献
- 在理论建构层面，文章提出并界定了 GraphRAG 的五组件整体框架，并配以查询处理器在 RAG 与 GraphRAG 中的技术差异对照表（实体识别、关系抽取、查询结构化、查询分解、查询扩展），为后续研究提供了可复用的分析坐标。在领域拓展层面，文章将 GraphRAG 设计系统性地铺展到十个领域，对被既有综述忽略的基础设施图等对象给予了明确的位置，并针对每一领域归纳“何时检索、检索什么、如何检索”三个问题下的任务、图构建与组件技术。在材料发掘与资源整备层面，文章按领域汇集了基准数据集与工具，并以公开仓库持续维护，形成可供检索与复用的资源清单。其价值主要落在信息检索、数据挖掘与机器学习社区中围绕图结构数据的检索与生成这一子议题，同时为跨学科与工业场景的 GraphRAG 选型提供领域化的对照依据。
- 存在局限
- 材料未交代系统性文献检索的检索式、数据库来源、时间范围与纳入排除标准，也未说明领域划分与五组件划分的推导规则，使分类框架的可复现性无法从文本中确认。领域发文量统计图仅呈现分布态势，未在材料中说明统计口径、样本总量与截稿时点，据此得出的“研究失衡”判断缺少可核验的量化依据。对组件设计的论证多依赖零散示例（如疾病—药物—EZH2 基因的关系路径、邮件补全中内容相关性与语气一致性的冲突、机场枢纽分类中同质性假设的失效），示例本身有说服力，但尚未构成对三个差异命题的系统性检验。此外，文章标注为预印本且“under review”，自身定位的“up-to-date”缺乏同行评议与版本更新机制的支撑；材料对生成器、组织器两个组件的专门化设计描述明显少于检索器与查询处理器，五组件框架在论述权重上并不均衡。
- 进一步研究方向
- 材料中仅说明文章在第 10 节讨论研究挑战并酝酿方向，未在摘录中给出具体方向清单，以下路径可由文中已确立的问题结构直接导出。其一，针对文中指出的领域覆盖失衡，对基础设施图等被忽视领域做补充性综述，明确其图构建方式、关系依据与评价数据，检验五组件框架在这些领域的适配边界。其二，围绕文中的三个差异命题设计对照实验：在同一任务上分别采用基于语义/词汇相似度的统一嵌入检索与面向图的关系路径检索、独立分块与相互依赖节点组织、领域通用与领域专门编码器，以消融方式量化各差异对生成忠实度与多跳推理正确率的影响。其三，就文中所举的具体失效情境（药物—基因交集检索、邮件语气一致性、机场枢纽角色分类）构造专门基准，用以验证“同质性假设不成立时按结构角色检索更优”这一判断，并考察同一领域同一图在不同任务下是否需要切换检索策略。其四，针对文章对组织器与生成器的论述薄弱处，系统梳理图剪枝、重排序与位置编码等结构信号注入手段，比较其在不同图格式与规模下的收益与成本。第五条可操作路径是建立跨领域统一评测协议，把各领域分散的基准与工具纳入同一指标口径，用以检验领域专门化设计的实际增量是否稳定。
本综述由 AI（deepseek-flash）阅读开放获取全文自动生成，仅供参考，不代表原文作者观点，请以原文为准。
参考文献
相关论文
话题：Topic Modeling