研究问题与动机
作者指出垂直领域 GraphRAG 有三类瓶颈:无 schema 抽取导致实体/关系质量不均;仅按拓扑聚类会切断时间、地点等业务维度;单一检索通道无法同时覆盖实体事实和主题/多跳问题。
方法与机制
本体引导抽取
预先给出领域实体与关系 schema,将 schema 放入 LLM 抽取提示,并对输出做类型约束和后处理过滤。论文的贡献是把“领域约束”放在构图阶段,而非只在查询时修正。
多维社区策略
社区构建除拓扑关系外,还考虑:
- alignment completion:处理社区边界附近的强连接;
- attribute-based clustering:利用实体属性相似性;
- multi-hop relationship clustering:尽量保留多跳关系链。
这些策略用于生成更完整的 community reports,论文没有把它们等同于一个新的通用社区检测理论。
双通道融合
一条通道检索细粒度知识图谱三元组,另一条通道召回社区报告;二者合并后再由 embedding 检索和 cross-encoder reranker 排序。实验采用 qwen3-embed-0.6b、qwen3-reranker-8b,top-k 为 8。
证据与结果
当前来源未提供可可靠提取的实验、结果与证据,请回到原始笔记或一手论文补充。
局限与开放问题
- 只在 MultiHop-RAG 一个基准上评估,且为 single-run 结果;跨领域泛化仍待验证。
- 本体需要人工设计或维护,schema 迁移成本没有系统测量。
- 社区完整性与检索 F1 的关系仍依赖该数据集的 Relevancy/Recall 定义,不能直接替代文档级 provenance 评测。
- 论文没有证明多维聚类在所有图拓扑上优于 Leiden,也没有报告动态更新和删除一致性。
关联与拓展
暂无可可靠提取的关联研究段落;先从研究问题索引横向比较。