⏶4

BYOKG-RAG：用于知识图谱问答的多策略图检索

07月05日发表

07月16日由 Costas Mavromatis 提交

作者: Costas Mavromatis, Soji Adeshina, Vassilis N. Ioannidis, Zhen Han, Qi Zhu, Ian Robinson, Bryan Thompson, Huzefa Rangwala, George Karypis

摘要

由于输入图谱在结构和语义上存在差异，知识图谱问答（KGQA）面临着巨大的挑战。现有工作依赖大语言模型（LLM）智能体进行图遍历和检索；这种方法对遍历初始化很敏感，容易出现实体链接错误，并且可能无法很好地泛化到自定义（“自带”）知识图谱上。我们推出了 BYOKG-RAG，这是一个通过将大语言模型与专门的图检索工具协同结合来增强知识图谱问答的框架。在 BYOKG-RAG 中，大语言模型生成关键的图构件（问题实体、候选答案、推理路径和 OpenCypher 查询），而图工具则将这些构件链接到知识图谱并检索相关的图上下文。检索到的上下文使得大语言模型能够在最终生成答案之前，迭代地优化其图链接和检索过程。通过从不同的图工具中检索上下文，BYOKG-RAG 为自定义知识图谱上的问答提供了一个更通用、更鲁棒的解决方案。通过在涵盖多种知识图谱类型的五个基准上进行实验，我们证明了 BYOKG-RAG 的性能比次优的图检索方法高出 4.5 个百分点，同时在自定义知识图谱上表现出更好的泛化能力。BYOKG-RAG 框架已在 https://github.com/awslabs/graphrag-toolkit 开源。

查看 arXiv 页面查看 PDF

Costas Mavromatis

论文提交者

BYOKG-RAG 是一种新颖的知识图谱问答（KGQA）方法，它将大型语言模型（LLMs）的强大功能与结构化知识图谱相结合。该系统允许用户引入自己的知识图谱并对其执行复杂的问答。

主要特性 🔑