Генерация с дополнением извлечением на основе графов: обзор
Graph Retrieval-Augmented Generation: A Survey
2025-11-19
SCID: 54.1/k5m5385r
Discuss with AI
GraphRAGиндексация на основе графовгенерация с использованием графовпоиск с управлением графомгенерация с дополненной поиском
Figures from the paper
Abstract (AI)
В последнее время генерация с дополнением извлечением (Retrieval-Augmented Generation, RAG) продемонстрировала значительный успех в решении проблем больших языковых моделей (Large Language Models, LLMs) без необходимости их дообучения. Обращаясь к внешней базе знаний, RAG совершенствует результаты LLM, эффективно смягчая такие проблемы, как «галлюцинации», недостаток предметно-ориентированных знаний и устаревшая информация. Однако сложная структура взаимосвязей между различными сущностями в базах данных создает трудности для систем RAG. В ответ на это GraphRAG использует структурную информацию о сущностях, обеспечивая более точное и всестороннее извлечение, фиксируя реляционные знания и способствуя формированию более точных ответов с учетом контекста. Учитывая новизну и потенциал GraphRAG, необходим систематический обзор современных технологий. В данной статье представлен первый всеобъемлющий обзор методологий GraphRAG. Мы формализуем рабочий процесс GraphRAG, включающий индексирование на основе графов, извлечение под управлением графа и генерацию с использованием графа. Затем мы описываем ключевые технологии и методы обучения на каждом этапе. Кроме того, мы рассматриваем последующие задачи, прикладные области, методологии оценки и промышленные варианты использования GraphRAG. Наконец, мы исследуем перспективные направления дальнейших исследований, чтобы стимулировать новые разработки и способствовать прогрессу в этой области. Для отслеживания последних достижений мы создали репозиторий по адресу https://github.com/pengboci/GraphRAG-Survey.
Key Findings
1
GraphRAG использует реляционную и структурную информацию о сущностях для более точного, полного и контекстно-зависимого поиска по сравнению с обычным RAG.
2
Авторы формулируют перспективные направления исследований и предоставляют открытый репозиторий для отслеживания развития GraphRAG.
3
Обзор систематизирует основные технологии и методы обучения для всех трёх этапов GraphRAG.
4
В статье рассматриваются прикладные задачи, области применения, методы оценки и промышленные сценарии использования GraphRAG.
5
В обзоре представлен первый комплексный анализ методологий GraphRAG и формализован рабочий процесс, включающий графовую индексацию, графовое управление поиском и генерацию, обогащённую графом.
Research Object
системы генерации с дополнением извлечением на основе графов (GraphRAG)
Research Subject
методологии GraphRAG, этапы рабочего процесса, технологии, методы обучения, применения, оценка и направления будущих исследований
Publication Details
Publication Date
2025-11-19
Journal
Publisher
ISSN
Cited by
422
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai9
Исследование пределов трансферного обучения с помощью унифицированного преобразователя текста в текст2019
Плотный поиск фрагментов текста для ответов на вопросы в открытом домене2020
Генерация с дополнением извлечённой информацией для больших языковых моделей: обзор2023
Затерянные в середине: как языковые модели используют длинные контексты2024
Объединение больших языковых моделей и графов знаний: дорожная карта2024
Технический отчет о GPT-42023
Использование поиска фрагментов текста с генеративными моделями для ответов на вопросы в открытом домене2021
Генерация с дополнением извлечённой информацией для контента, создаваемого искусственным интеллектом: обзор2026
LightRAG: простой и быстрый подход к генерации с дополнением извлечённой информацией2025