GGraphRAG 文献图谱自动同步
LIT-DD71FF2B · 年份待核验

GRAG: Graph Retrieval-Augmented Generation

GRAG 关注的是 **textual graphs**,不是传统知识图谱。它把 RAG 从“检索独立文档”推进到“检索文本子图”,再同时把文本视图和图视图送入 LLM,让模型既看到内容,也看到拓扑关系。

摘要级记录优先级 P1作者待核验发表信息待核验
内容状态:摘要级记录。结构化摘录继承当前知识库的来源等级;具体 claim 应回到一手论文核验。

研究问题与动机

  • Naive RAG 只看单文档相似度,无法处理 citation graph、社交网络文本图、文本化 KG 这类“网络化文档”。
  • 在这些场景里,真正相关的信息往往不是一个孤立文档,而是一段 connected textual subgraph。
  • 因此 GraphRAG 需要同时回答两个问题:
    • 怎么高效检索文本子图?
    • 怎么把文本与拓扑联合喂给 LLM?

方法与机制

1. Divide-and-conquer textual subgraph retrieval

  • 论文提出一种 divide-and-conquer 检索策略。
  • 先找到最相关的 ego-graphs,再用 soft pruning 与 union 形成近似最优子图。
  • 这样避免了穷举所有子图带来的 NP-hard 搜索。

2. 双视图提示

  • Text view
    • 把检索到的 textual subgraph 转成层次化文本描述,作为 hard prompts。
  • Graph view
    • 通过图编码器把拓扑结构编码成 graph tokens,作为 soft prompts。
  • 最终由 LLM 同时接收 hard + soft prompts。

3. 论文的重要点

  • GRAG 不是简单把 graph retrieval 和 LLM 生拼在一起。
  • 它真正强调的是:
    • retrieval 时考虑子图结构;
    • generation 时保留 graph topology。

证据与结果

  • 主实验数据集:
    • WebQSP
    • ExplaGraphs
  • 对比:
    • 纯 LLM
    • LoRA fine-tuned LLM
    • 多种 text retrievers
    • G-Retriever

1. 不微调也能超过 fine-tuned LLM

  • 在 Table 2 中,GRAG 达到:
    • WebQSP: F1 0.5022 / Hit@1 0.7236 / Recall 0.5099
    • ExplaGraphs: Acc 0.9223
  • 对比:
    • 纯 LLM: WebQSP 0.2555 / 0.4148 / 0.2920, ExplaGraphs 0.3394
    • LLM+LoRA: WebQSP 0.4295 / 0.6186 / 0.4193, ExplaGraphs 0.8927
    • G-Retriever: WebQSP 0.4674 / 0.6808 / 0.4579, ExplaGraphs 0.8825
  • 这说明只要图检索和图提示设计得好,Frozen LLM 也能超过 fine-tuned baseline。

2. 迁移性也不错

  • 论文做了 cross-dataset transfer:
    • WebQSP → ExplaGraphs 时 accuracy 0.4540
    • ExplaGraphs → WebQSP 时 Hit@1 0.4237
  • 这说明 textual graph 编码和子图检索有一定可迁移性。

局限与开放问题

  • 文本子图检索仍然依赖 ego-graph 构造与图编码质量。
  • 更适合 textual graph 场景,不一定能直接替代 KGQA 型 GraphRAG。
  • 当图特别大或特别稀疏时,子图构造策略可能仍有性能边界。

关联与拓展

研究问题入口

Q10 领域与模态扩展, Q3 证据检索与集合形成, Q6 证据来源与可解释性, Q8 效率与部署

展开原始论文笔记全文

基本信息

  • 作者: Yuntong Hu, Zhihan Lei, Zheng Zhang, Bo Pan, Chen Ling, Liang Zhao
  • 机构: Emory University
  • 发表: Findings of NAACL 2025
  • arXiv: 2405.16506
  • 代码: https://github.com/HuieL/GRAG

一句话理解

GRAG 关注的是 textual graphs,不是传统知识图谱。它把 RAG 从“检索独立文档”推进到“检索文本子图”,再同时把文本视图和图视图送入 LLM,让模型既看到内容,也看到拓扑关系。

论文要解决什么问题

  • Naive RAG 只看单文档相似度,无法处理 citation graph、社交网络文本图、文本化 KG 这类“网络化文档”。
  • 在这些场景里,真正相关的信息往往不是一个孤立文档,而是一段 connected textual subgraph。
  • 因此 GraphRAG 需要同时回答两个问题:
    • 怎么高效检索文本子图?
    • 怎么把文本与拓扑联合喂给 LLM?

方法机制

1. Divide-and-conquer textual subgraph retrieval

  • 论文提出一种 divide-and-conquer 检索策略。
  • 先找到最相关的 ego-graphs,再用 soft pruning 与 union 形成近似最优子图。
  • 这样避免了穷举所有子图带来的 NP-hard 搜索。

2. 双视图提示

  • Text view
    • 把检索到的 textual subgraph 转成层次化文本描述,作为 hard prompts。
  • Graph view
    • 通过图编码器把拓扑结构编码成 graph tokens,作为 soft prompts。
  • 最终由 LLM 同时接收 hard + soft prompts。

3. 论文的重要点

  • GRAG 不是简单把 graph retrieval 和 LLM 生拼在一起。
  • 它真正强调的是:
    • retrieval 时考虑子图结构;
    • generation 时保留 graph topology。

实验设置

  • 主实验数据集:
    • WebQSP
    • ExplaGraphs
  • 对比:
    • 纯 LLM
    • LoRA fine-tuned LLM
    • 多种 text retrievers
    • G-Retriever

主要结果

1. 不微调也能超过 fine-tuned LLM

  • 在 Table 2 中,GRAG 达到:
    • WebQSP: F1 0.5022 / Hit@1 0.7236 / Recall 0.5099
    • ExplaGraphs: Acc 0.9223
  • 对比:
    • 纯 LLM: WebQSP 0.2555 / 0.4148 / 0.2920, ExplaGraphs 0.3394
    • LLM+LoRA: WebQSP 0.4295 / 0.6186 / 0.4193, ExplaGraphs 0.8927
    • G-Retriever: WebQSP 0.4674 / 0.6808 / 0.4579, ExplaGraphs 0.8825
  • 这说明只要图检索和图提示设计得好,Frozen LLM 也能超过 fine-tuned baseline。

2. 迁移性也不错

  • 论文做了 cross-dataset transfer:
    • WebQSP → ExplaGraphs 时 accuracy 0.4540
    • ExplaGraphs → WebQSP 时 Hit@1 0.4237
  • 这说明 textual graph 编码和子图检索有一定可迁移性。

我的理解

  • GRAG 和很多 KG-RAG 论文不同,它更偏 networked documents 而不是标准 KG triples。
  • 但它对 GraphRAG 知识库依然重要,因为它补的是一个更一般的问题:
    • 当知识源天然是图结构文本时,RAG 应该如何工作。
  • 和 G-Retriever 相比,GRAG 更强调 retrieval of connected textual subgraphs,而不是只做图编码增强。

局限

  • 文本子图检索仍然依赖 ego-graph 构造与图编码质量。
  • 更适合 textual graph 场景,不一定能直接替代 KGQA 型 GraphRAG。
  • 当图特别大或特别稀疏时,子图构造策略可能仍有性能边界。

相关主题

�����������