HG-RAG：基于层级知识图谱的检索增强生成新框架

近日，arXiv平台发布了一项关于检索增强生成（RAG）技术的重要研究。传统RAG系统通常从平面文档库中检索上下文，在处理需要层次化或关系型推理的结构化知识查询时表现受限。为此，研究团队提出了HG-RAG（Hierarchy-Guided RAG）框架，该框架通过在层次化知识图谱上进行图遍历，为语言模型提供结构化上下文支持。

HG-RAG的检索流程首先从查询中解析命名实体锚点，然后根据需要向上遍历父节点获取概括性信息，横向探索关系邻居节点，向下访问子节点获取细节内容。这种多向检索机制使模型能够更好地理解实体间的层次关系和关联结构。

研究团队在三个不同规模的知识图谱（18-800个节点）上进行了系统评估，测试了四种查询类型：局部事实查询、层次化查询、邻域查询和多跳查询。实验结果显示，HG-RAG在层次化推理、关系推理和多跳推理任务上 consistently 优于基于密集检索的基线方法，同时有效减少了模型幻觉现象，保持了局部一致性。

该研究为处理结构化知识的RAG系统提供了新的技术路径，特别是在需要复杂关系推理的应用场景中展现出明显优势，为知识密集型AI应用的发展提供了重要参考。