HybGRAG：在文本和关系知识库上进行混合检索增强生成

发布日期：2024年12月20日

作者：孟洁·李、朱琦、科斯塔斯·马夫罗马蒂斯、韩震、索吉·阿德希纳、瓦西里斯·N·约阿尼迪斯、胡泽法·朗瓦拉、克里斯托斯·法洛佐斯

arXiv:2412.16311 [ cs.LG, cs.AI, cs.IR ]

摘要

给定一个半结构化知识库（SKB），其中文本文档通过关系相互连接，我们如何有效地检索相关信息来回答用户问题？检索增强生成（RAG）通过检索文档来辅助大型语言模型（LLM）回答问题；而图RAG（GRAG）则使用结构化知识库作为其知识源。然而，许多问题需要SKB中的文本和关系信息——我们称之为“混合”问题——这使得检索过程复杂化，并强调了需要一种利用这两种信息的混合检索方法。在本文中，通过我们的实证分析，我们识别了关键见解，这些见解表明现有方法在SKB上的混合问题回答（HQA）中可能面临困难。基于这些见解，我们提出了用于HQA的HybGRAG，它由一个检索器库和一个评论模块组成，具有以下优点：（1）代理性，它通过整合评论模块的反馈自动优化输出；（2）适应性，它利用检索器库解决需要文本和关系信息的混合问题；（3）可解释性，它通过直观的优化路径解释决策过程；（4）有效性，它在HQA基准测试中超越了所有基线。在STaRK基准测试的实验中，HybGRAG取得了显著的性能提升，Hit@1的平均相对改进达到51%。