GraphRAG 是一種擴(kuò)展的 RAG 范式，通過構(gòu)建圖結(jié)構(gòu)來組織背景知識(shí)，其中節(jié)點(diǎn)代表實(shí)體、事件或主題，邊代表它們之間的邏輯、因果或關(guān)聯(lián)關(guān)系。它不僅檢索直接相關(guān)的節(jié)點(diǎn)，還會(huì)遍歷圖以捕獲相互連接的子圖，從而發(fā)現(xiàn)隱藏的模式。

GraphRAG vs RAG

GraphRAG 是否真的有效，以及在哪些場景下圖結(jié)構(gòu)能為 RAG 系統(tǒng)帶來可衡量的好處？

廈大和港理工提出的GraphRAG-Bench基準(zhǔn)測試框架，旨在全面評估 GraphRAG 模型在分層知識(shí)檢索和深度上下文推理中的表現(xiàn)：

實(shí)驗(yàn)部分對 GraphRAG 和傳統(tǒng) RAG 進(jìn)行了全面對比，得出以下結(jié)論：

• 生成準(zhǔn)確性（Generation Accuracy）：GraphRAG 在復(fù)雜推理、上下文總結(jié)和創(chuàng)造性生成任務(wù)中表現(xiàn)優(yōu)于 RAG，但在簡單事實(shí)檢索任務(wù)中，RAG 的表現(xiàn)更好或相當(dāng)。

• 檢索性能（Retrieval Performance）：GraphRAG 在復(fù)雜問題上顯示出優(yōu)勢，能夠連接分散在不同文本片段中的信息，這對于多跳推理和全面總結(jié)至關(guān)重要。

• 圖復(fù)雜性（Graph Complexity）：不同的 GraphRAG 實(shí)現(xiàn)生成的索引圖在結(jié)構(gòu)上存在顯著差異，例如 HippoRAG2 生成的圖更為密集，節(jié)點(diǎn)和邊的數(shù)量遠(yuǎn)超其他框架。

港理工和騰訊優(yōu)圖提出的GraphRAG-Bench更側(cè)重于評估 GraphRAG 在特定領(lǐng)域推理中的表現(xiàn)。該基準(zhǔn)測試包含 1018 個(gè)涵蓋 16 個(gè)學(xué)科的大學(xué)水平問題，涉及多跳推理、復(fù)雜算法編程和數(shù)學(xué)計(jì)算等多種任務(wù)類型。

評估了九種最先進(jìn)的 GraphRAG 方法，包括 RAPTOR、LightRAG、GraphRAG、G-Retriever、HippoRAG、GFM-RAG、DALK、KGP 和 ToG，得出關(guān)鍵結(jié)論：

1. GraphRAG 的優(yōu)勢：在復(fù)雜推理和多跳任務(wù)中，GraphRAG 顯著優(yōu)于傳統(tǒng) RAG 方法，尤其是在需要深度上下文理解和邏輯推理的任務(wù)中。
2. 任務(wù)類型的影響：GraphRAG 在不同任務(wù)類型中的表現(xiàn)存在差異。例如，在數(shù)學(xué)和倫理學(xué)領(lǐng)域，其表現(xiàn)不如在計(jì)算機(jī)科學(xué)領(lǐng)域。
3. 推理能力的提升：GraphRAG 方法不僅提高了生成的準(zhǔn)確性，還顯著提升了模型的推理能力，使其能夠生成更符合邏輯的解釋。

GraphRAG技術(shù)的圖構(gòu)建評估

• RAPTOR的圖構(gòu)建時(shí)間最長，但令牌消耗最少，因?yàn)樗鼉H通過 LLM 生成總結(jié)。
• KGP的圖構(gòu)建時(shí)間較短，但令牌消耗較高。
• GraphRAG和LightRAG的圖構(gòu)建時(shí)間較長，且令牌消耗最多，因?yàn)樗鼈兩闪祟~外的描述信息。
• G-Retriever和HippoRAG的圖構(gòu)建時(shí)間最短，且非孤立節(jié)點(diǎn)比例最高（約 90%），表明它們在圖構(gòu)建質(zhì)量上表現(xiàn)最佳。

GraphRAG技術(shù)知識(shí)檢索評估

• GFM-RAG的索引時(shí)間最短，因?yàn)樗粯?gòu)建傳統(tǒng)的向量數(shù)據(jù)庫。
• RAPTOR的平均檢索時(shí)間最快，因?yàn)槠錁浣Y(jié)構(gòu)能夠快速定位信息。
• HippoRAG和GFM-RAG的檢索時(shí)間較短，分別利用了 GNN 和 PageRank 算法。
• GraphRAG的檢索時(shí)間較長，因?yàn)樗枰蒙鐓^(qū)信息進(jìn)行檢索

https://arxiv.org/pdf/2506.02404
GraphRAG-Bench: Challenging Domain-Specific Reasoning for Evaluating Graph Retrieval-Augmented Generation
https://arxiv.org/pdf/2506.05690
When to use Graphs in RAG: A Comprehensive Analysis for Graph Retrieval-Augmented Generation

本文轉(zhuǎn)載自????PaperAgent??