PathRAG：通過圖剪枝的方法優化Graph-based RAG的性能方法淺析 原創
PathRAG 也是一種新型 Graph-based RAG 方法，通過檢索索引圖中的關鍵關系路徑，減少噪聲并優化 LLM 提示。其核心創新在于基于流的剪枝算法和路徑為基礎的提示策略，特別適用于捕捉復雜數據集中的關系。（其實可以看做相比GraphRAG假如剪枝算法和路徑提示策略，減少噪聲并提升性能）
三種Graph-based RAG對比總結（PathRAG、GraphRAG、LightRAG）：
? PathRAG：通過從索引圖中檢索關鍵的關系路徑來減少冗余信息。PathRAG使用基于流的剪枝算法來識別和提取最相關的路徑，從而減少噪聲并提高生成答案的質量。(專注于關系路徑的檢索，通過流式剪枝算法識別最可靠的關系路徑，并將這些路徑轉換為文本形式用于提示生成模型。這種方法能夠更好地捕捉節點之間的關系。)
? GraphRAG：通常通過社區檢測算法對圖進行分割，并從子社區中逐步聚合信息。這種方法可能會包含大量冗余信息，因為其使用了所有相關社區的信息。(主要依賴于社區檢測和信息聚合，可能無法有效利用復雜的關系路徑。)
? LightRAG：采用雙階段檢索框架，從局部和全局級別檢索相關信息。雖然這種方法提高了檢索效率，但仍然可能包含不必要的信息。(雖然也使用圖結構，但其檢索過程更側重于快速檢索，可能沒有深入探索關系路徑的潛力。)
下面再來看看PathRAG的方法，供參考。
PathRAG方法
包含三個主要階段。1）節點檢索階段：根據查詢中的關鍵詞，從索引圖中檢索相關節點；2）路徑檢索階段：我們設計了一種基于流程的剪枝算法，提取每對檢索節點之間的關鍵關系路徑，然后檢索可靠性得分最高的路徑；3）答案生成階段：檢索到的路徑按照可靠性得分升序排列放入提示中，最后輸入到大型語言模型中進行答案生成。
PathRAG 的方法論分為三個階段，具體如下：
- 節點檢索
- 路徑檢索
- 答案生成
這種排序策略解決了“中間丟失”問題，確保 LLM 關注最相關信息（LLM使用 “GPT-4o-mini” 作為所有 LLM 組件，索引圖與 GraphRAG相同。）。
實驗結果
參考文獻：PathRAG: Pruning Graph-based Retrieval Augmented Generation with Relational Paths，https://arXiv.org/abs/2502.14902)
code：https://github.com/BUPT-GAMMA/PathRAG
公眾號大模型自然語言處理 作者：余俊暉
原文鏈接：??https://mp.weixin.qq.com/s/AuYQB-gofBpN7D_jS32efQ??
