HG-RAG：通过层次引导检索增强生成用于结构化知识图谱

检索增强生成（RAG）已被证明是一种广泛成功的方法，可以提高大型语言模型（LLM）的输出质量。然而，RAG系统通常从扁平文档存储中检索上下文，当查询需要跨结构化知识的层次或关系推理时会遇到困难。本文提出了HG-RAG（Hierarchy-Guided RAG）框架，该框架在层次知识图谱上进行图形遍历，以向语言模型提供结构化上下文。我的检索管道从查询中解析命名实体锚点，然后通过父节点向上扩展上下文，通过关系邻居横向扩展，并在需要时通过子节点向下扩展。我在三个世界规模（18-800个节点）和四种查询类型上评估了HG-RAG：本地事实、层次结构、邻域和多跳。结果显示，HG-RAG在涉及层次、关系和多跳推理的任务中始终优于平面基线，同时减少了幻觉并保持了局部一致性。