研究论文
- 图检索增强生成：综述
- DiffKG：用于推荐的知识图谱扩散模型
- 统一大型语言模型和知识图谱：路线图
- 像图一样说话：为大型语言模型编码图
- 一项基准测试，旨在了解知识图谱在企业 SQL 数据库问答中对大型语言模型准确性的作用
- G-Retriever：用于文本图理解和问答的检索增强生成
- GraphER：一种结构感知文本到图模型，用于实体和关系提取
- 从局部到全局：一种图 RAG 方法，用于以查询为中心的摘要
- 利用知识图谱进行客户服务问答的检索增强生成
- HybridRAG：整合知识图谱和向量检索增强生成，实现高效信息提取
- GraphReader：构建基于图的代理以增强大型语言模型的长上下文能力
- LightRAG：简单快速的检索增强生成
- StructRAG：通过推理时混合信息结构化提高 LLM 的知识密集型推理能力
- 图上思考：大型语言模型在知识图谱上的深度和负责任的推理
- HippoRAG：受神经生物学启发的大型语言模型长期记忆
- 医学图谱RAG：通过图谱检索增强生成实现安全的医学大型语言模型
- 别忘了连接！通过基于图的重排序改进 RAG
- GRAG：图检索增强生成
- 图上规划：大型语言模型在知识图谱上的自校正自适应规划
- 图上解码：通过生成格式良好的链条在知识图谱上进行忠实可靠的推理
- 图思维链：通过图上推理增强大型语言模型
- SimGRAG：利用相似子图进行知识图谱驱动的检索增强生成
- 知识增强语言模型提示，用于零样本知识图谱问答
- FactKG：通过知识图谱推理进行事实验证
- 变分推理用于知识图谱问答
- HybGRAG：在文本和关系知识库上的混合检索增强生成
- 用于大型语言模型在图上推理的图线性化方法
- 带图的检索增强生成 (GraphRAG)
- GLiNER：使用双向 Transformer 进行命名实体识别的通用模型
- Zep：用于代理记忆的时间知识图谱架构
- KARMA：利用多智能体 LLM 实现自动化知识图谱丰富
- PathRAG：通过关系路径修剪基于图的检索增强生成
- A-MEM：LLM 代理的代理记忆
- 代理深度图推理产生自组织知识网络
- HiRAG：带有层级知识的检索增强生成
- 知识图谱思维经济实惠的 AI 助手
