目前的如微軟開源的GraphRAG的工作流程都較為復雜，難以孤立地評估各個組件的貢獻，傳統的檢索方法在處理復雜推理任務時可能不夠有效，特別是在需要理解實體間關系或多跳知識的情況下。先說結論，看完后感覺這個框架性能上不會比GraphRAG高，僅在單一數據集上進行了評測，不過優化思路可以借鑒下，比如：雙層次檢索提高圖檢索準確性等。供參考。

方法

整體流程

圖構建及索引

這一步主要是使用LLM構建知識圖譜（KG），涉及預處理（多源異構內容轉text）、文本chunk分割、KG構建（命名實體識別（NER）、分割的文本中提取<實體, 關系, 實體>三元組，以及相關的關鍵詞、描述和權重。這些三元組用于構建圖，捕捉語料中的復雜多跳依賴關系）、圖存儲。

圖引導檢索

這一步是ROGRAG的核心，分為兩種主要方法：雙層次方法和邏輯形式方法。

1、雙層次方法

query被分解為兩個組成部分：（1）表示實體的低層關鍵詞和（2）高層關系描述。通過模糊匹配將實體與圖中的節點匹配，關系關鍵詞與邊匹配。檢索結果合并后，去除冗余的邊、節點和塊引用，精煉最終的檢索上下文。優勢是這種方法利用多粒度特征進行分層模糊匹配，提高了對不規范或復雜查詢的檢索覆蓋率。

2、邏輯形式方法

使用預定義的操作符（如過濾、聚合）將自然語言查詢轉化為結構化的檢索操作序列。利用LLM將自然語言查詢轉化為結構化的檢索操作序列，并通過迭代優化來增強檢索上下文。這種方法提供了更精確的檢索結果，特別適用于需要結構化推理的任務。

邏輯形式方法算法過程：通過LLM將復雜的自然語言查詢分解為一系列簡單的子查詢，然后使用預定義的操作符對這些子查詢進行處理，最終得到結構化的檢索操作序列。

圖增強生成

這里和其他rag方法一致，主要優化輸出。

實驗性能

整體結果

參考文獻：

• paper：ROGRAG: A Robustly Optimized GraphRAG Framework，https://arxiv.org/abs/2503.06474
• code：https://github.com/tpoisonooo/ROGRAG

?

本文轉載自??大模型自然語言處理???   作者：余俊暉