KG²RAG
KG²RAG是南大和阿里2025年2月提出的RAG新框架，在基于语义检索的RAG上融合了知识图谱，过程是先将切分的文本块和知识图谱构建关联图谱，用嵌入模型查询语义相似的文本块，关联图谱+文本块-->子图-->关联子图-->基于知识图谱过滤组织-->拓展块。
- 发表时间：2025.02.8
- 论文名称：Knowledge Graph-Guided Retrieval Augmented Generation、项目代码
目前的 RAG 研究主要侧重于应用基于语义的方法来检索孤立的相关片段，而忽略了它们之间的内在联系。
文章提出了一种知识图谱引导的检索增强生成(KG2RAG)框架，该框架利用知识图谱（KGs）提供chunk之间的事实级关系，提高检索结果的多样性和连贯性。
具体而言，在执行基于语义的检索以提供种子片段后，KG2RAG采用知识图谱引导的片段扩展过程、基于知识图谱的片段组织过程，以结构良好的段落形式呈现相关且重要的知识。
一、论文动机
- 关联性缺失：忽略文本块间的内在事实关联，无法激活LLMs的推理能力；
- 组织混乱：检索结果按相似度直接拼接，信息孤立，难以生成全面、连贯的响应。
二、论文思路
-
KG²RAG引入知识图谱，通过事实级关系关联文本块 ，提升检索结果的多样性、连贯性与准确性。
1. 阶段1：文档离线处理
（1）文本块分割
按句子/段落结构将文档分割为若干文本块（记为( D = { c 1 , . . . , c n } D=\{c_1,...,c_n\} D={c1,...,cn})），可附加元信息（如标题、摘要）或生成关联问题以增强文本块信息。
（2）文本块-知识图谱关联
为捕捉文本块间的事实关系，通过LLM提取文本块中的实体与关系，构建块与特定知识图谱之间的关联 G = ( h , r , t , c ) ∣ c ∈ D G = {(h, r, t, c) | c ∈ D} G=(h,r,t,c)∣c∈D，其中(h)（头实体）、®（关系）、(t)（尾实体）、©（三元组衍生的块），最终形成关联图谱。优势在于此构建与查询无关，仅需构建一次，支持新文档增量更新。
2. 阶段2：KG增强文本块检索
采用"语义检索+图谱引导扩展"两阶段模式，解决传统RAG检索结果孤立的问题。
（1）基于语义的检索
- 用嵌入模型将查询(q)与文本块转换为高维向量，计算语义相似度；
- 选取Top-k相似度最高的文本块作为"种子文本块"（记为( D q Dq Dq)）。
（2）图引导的扩展
- 从关联图谱( G \mathcal{G} G)中提取种子文本块对应的子图( G q 0 \mathcal{G}_q^0 Gq0)；
- 通过广度优先搜索遍历子图的m跳邻居，得到扩展子图( G q m \mathcal{G}_q^m Gqm)；
- 提取扩展子图关联的所有文本块，得到扩展块（记为 ( D q m ) (D_q^m) (Dqm)），实现跨文档的事实关联扩展，避免结果同质化。
3. 阶段3：基于知识图谱的上下文组织
作为"过滤器"和"组织器"，解决扩展后文本块数量过多、噪声大的问题，提升输入LLM的上下文质量。
（1）过滤：保留高关联信息
- 将扩展子图 G q m \mathcal{G}_q^m Gqm 转换为加权无向图 U q m \mathcal{U}_q^m Uqm（权重为文本块与查询的相似度）；
- 按连通分量分割图，对每个分量构建最大生成树（MST），剔除冗余边，保留核心事实关联。
（2）组织：生成连贯段落
- 文本表示：对每个MST，以最高权重边为根，通过深度优先搜索拼接文本块，形成语义连贯的段落；
- 三元组表示：用交叉编码器计算MSTs与查询的相关性，按相关性排序段落，选取Top-k文本块输入LLM。
三、实验设计与结果
1. 实验设置
（1）数据集
- 基准数据集：HotpotQA（包含Distractor（10个文档，含干扰项）和Fullwiki（66,581个文档）两个设置）；
- 变体数据集：Shuffle-HotpotQA（随机替换实体类别，削弱LLM先验知识依赖，强制依赖RAG检索）；
- 额外验证数据集：MuSiQue（多跳问答）、TriviaQA（长文本问答，平均单文档2895词）。
（2）基线方法
- LLM-only：无检索，直接生成；
- Semantic RAG：仅基于语义检索；
- Hybrid RAG：语义+关键词检索（如BM25）；
- GraphRAG/LightRAG：其他基于图谱的RAG方法。
（3）评价指标
- 响应质量：F1、精确率（Precision）、召回率（Recall）（与标准答案对比）；
- 检索质量：F1、精确率、召回率（与参考事实对比）；
- 效率指标：KG构建的token成本、LLM调用次数、检索/生成时间。
2. 核心实验结果
（1）响应质量（表1、表7、表8）
- 在HotpotQA-Dist中，KG²RAG的F1达0.663，高于Hybrid RAG（0.653）、GraphRAG（0.400）；
- 在Fullwiki设置（更具挑战性）中，KG²RAG F1达0.631，比基线高至少8%；
- 在Shuffle-HotpotQA中，因削弱先验知识，KG²RAG优势更显著（Distractor设置F1 0.545，比基线高2.5%+）；
- 在MuSiQue（F1 0.419）和TriviaQA（F1 0.273）中，均保持最优。
（2）检索质量（表2）
- HotpotQA-Dist中，KG²RAG检索F1达0.436，精确率0.301，比Semantic RAG（精确率0.224）高7.7%；
- Fullwiki设置中，兼顾精确率与召回率，优于其他RAG方法。
（3）消融实验（表3、表4）
- 无组织模块（w/o organization）：响应质量略降（F1 0.660→0.663），检索精确率大幅下降（0.153→0.301），证明组织模块可过滤噪声；
- 无扩展模块（w/o expansion）：响应F1降至0.626，检索召回率下降（0.842→0.908），证明扩展模块可捕捉关键遗漏信息。
（4）效率对比（表9、表10）
- KG构建成本：KG²RAG每文本块输入token 561、输出token 22、耗时1s，远低于GraphRAG（输入2791token、耗时6s）；
- 检索/生成时间：KG²RAG平均检索25ms、生成2300ms，接近Semantic RAG，远快于GraphRAG（检索42ms、生成5500ms）。
3. 鲁棒性验证
- 随机删除5%/10%图谱三元组后，KG²RAG响应F1仍保持0.654+，检索F1 0.432+，优于Hybrid RAG，证明对图谱质量不敏感。
四、对比分析
1. 相关工作差异
- 传统RAG：依赖文本块物理位置（如滑动窗口）扩展，无法跨文档关联事实；
- 其他图谱RAG（如GraphRAG）：聚焦摘要任务，图谱构建成本高；
- KG²RAG：以事实级关系为核心扩展文本块，兼顾效率与质量。
2. 局限性
- 仅优化RAG的"检索"环节，未涉及查询重写、多轮对话等其他模块；
- 未来方向：开发插件化工具，与其他RAG优化模块兼容。
五、核心贡献
- 框架创新：首次将知识图谱引入RAG的"检索-组织"全流程，通过事实关联提升结果连贯性；
- 性能优势：在多数据集、多设置下，响应与检索质量均优于现有RAG方法；
- 效率保障：KG构建与检索/生成耗时低，适合实际应用。