Graph Retrieval-Augmented Generation: A Survey

最近，检索增强生成（Retrieval-Augmented Generation，简称RAG）在不需要重新训练的情况下，通过参考外部知识库，成功解决了大型语言模型（Large Language Models，简称LLMs）所面临的挑战，有效缓解了“幻觉”、缺乏领域特定知识和过时信息等问题。然而，数据库中不同实体之间的复杂关系结构对RAG系统提出了挑战。为此，GraphRAG利用实体之间的结构信息，实现更精确、全面的检索，捕捉关系知识，促进更准确、上下文感知的响应。鉴于GraphRAG的新颖性和潜力，有必要对当前技术进行系统评估。本文提供了GraphRAG方法的第一个全面概述。我们规范了GraphRAG的工作流程，包括基于图的索引、图导向检索和图增强生成。然后，我们概述了每个阶段的核心技术和训练方法。此外，我们还研究了GraphRAG的下游任务、应用领域、评估方法和工业用例。最后，我们探讨未来的研究方向，以激发进一步的探究并推动该领域的进步。

本论文旨在解决Retrieval-Augmented Generation (RAG)系统中，由于数据库中不同实体之间的复杂关系而出现的检索精度不高的问题。

GraphRAG利用数据库中实体之间的结构信息，通过图形化索引、检索和生成等步骤，提高了检索精度，从而实现更准确、更全面的检索和生成。

论文详细介绍了GraphRAG的工作流程和核心技术，并探讨了其在不同领域的应用和评估方法。此外，论文还提出了未来研究方向。

近期相关研究包括：《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》、《Improving Retrieval-Augmented Generation with Context-aware Representations》等。