GNN-RAG：一种将大型语言模型（LLMs）的语言理解能力与图神经网络（GNNs）的推理能力结合在检索增强生成（RAG）风格中的新型AI方法
来自明尼苏达大学的研究人员介绍了GNN-RAG，这是一种高效的方法，用于在知识图谱问答（KGQA）中增强RAG。该方法利用GNNs处理知识图谱（KGs）中的复杂图数据。虽然GNNs缺乏自然语言理解能力，但它们在图表示学习方面表现出色。GNN-RAG通过在密集的KG子图上进行推理来识别答案候选项，然后提取连接问题实体和GNN-衍生答案的最短路径，将这些路径进行语言化，并通过RAG输入到LLM推理。此外，基于LLM的检索器可以增强GNN-RAG，以进一步提高KGQA的性能。
GNN-RAG框架集成了用于密集子图推理的GNNs，随后检索候选答案并在KG内提取推理路径。这些路径随后会被语言化并输入到基于LLM的RAG系统中用于KGQA。GNNs因其处理复杂图交互和多跳问题的能力而被选中，它们检索对KGQA至关重要的推理路径。不同的GNN架构，受预训练语言模型选择的影响，提供了不同的输出，增强了基于RAG的KGQA。相反，虽然LLMs对KGQA有所贡献，但由于其自然语言理解能力，它们更适合单跳问题。检索增强（RA）技术，如结合GNN和基于LLM的检索，改善了答案多样性和召回率，从而增强了整体KGQA性能。
快速阅读：https://www.marktechpost.com/2024/06/01/gnn-rag-a-novel-ai-method-for-combining-language-understanding-abilities-of-llms-with-the-reasoning-abilities-of-gnns-in-a-retrieval-augmented-generation-rag-style/
论文：https://arxiv.org/abs/2405.20139
- 复制链接
- 举报
