目前的如微軟開源的GraphRAG的工作流程都較為復(fù)雜，難以孤立地評估各個組件的貢獻，傳統(tǒng)的檢索方法在處理復(fù)雜推理任務(wù)時可能不夠有效，特別是在需要理解實體間關(guān)系或多跳知識的情況下。先說結(jié)論，看完后感覺這個框架性能上不會比GraphRAG高，僅在單一數(shù)據(jù)集上進行了評測，不過優(yōu)化思路可以借鑒下，比如：雙層次檢索提高圖檢索準確性等。供參考。

方法

整體流程

圖構(gòu)建及索引

這一步主要是使用LLM構(gòu)建知識圖譜（KG），涉及預(yù)處理（多源異構(gòu)內(nèi)容轉(zhuǎn)text）、文本chunk分割、KG構(gòu)建（命名實體識別（NER）、分割的文本中提取<實體, 關(guān)系, 實體>三元組，以及相關(guān)的關(guān)鍵詞、描述和權(quán)重。這些三元組用于構(gòu)建圖，捕捉語料中的復(fù)雜多跳依賴關(guān)系）、圖存儲。

圖引導(dǎo)檢索

這一步是ROGRAG的核心，分為兩種主要方法：雙層次方法和邏輯形式方法。

1、雙層次方法

query被分解為兩個組成部分：（1）表示實體的低層關(guān)鍵詞和（2）高層關(guān)系描述。通過模糊匹配將實體與圖中的節(jié)點匹配，關(guān)系關(guān)鍵詞與邊匹配。檢索結(jié)果合并后，去除冗余的邊、節(jié)點和塊引用，精煉最終的檢索上下文。優(yōu)勢是這種方法利用多粒度特征進行分層模糊匹配，提高了對不規(guī)范或復(fù)雜查詢的檢索覆蓋率。

2、邏輯形式方法

使用預(yù)定義的操作符（如過濾、聚合）將自然語言查詢轉(zhuǎn)化為結(jié)構(gòu)化的檢索操作序列。利用LLM將自然語言查詢轉(zhuǎn)化為結(jié)構(gòu)化的檢索操作序列，并通過迭代優(yōu)化來增強檢索上下文。這種方法提供了更精確的檢索結(jié)果，特別適用于需要結(jié)構(gòu)化推理的任務(wù)。

邏輯形式方法算法過程：通過LLM將復(fù)雜的自然語言查詢分解為一系列簡單的子查詢，然后使用預(yù)定義的操作符對這些子查詢進行處理，最終得到結(jié)構(gòu)化的檢索操作序列。

圖增強生成

這里和其他rag方法一致，主要優(yōu)化輸出。

實驗性能

整體結(jié)果

參考文獻：

• paper：ROGRAG: A Robustly Optimized GraphRAG Framework，https://arxiv.org/abs/2503.06474
• code：https://github.com/tpoisonooo/ROGRAG

?

本文轉(zhuǎn)載自??大模型自然語言處理???   作者：余俊暉