📖标题：KERAG: Knowledge-Enhanced Retrieval-Augmented Generation for Advanced Question Answering
🌐来源：arXiv, 2509.04716

🌟摘要

Retrieval-Augmented Generation (RAG) 通过将外部数据与知识图 (KG) 相结合来缓解大型语言模型 (LLM) 中的幻觉，为问答提供了关键信息。传统的知识图问答 (KGQA) 方法依赖于语义解析，它通常严格检索答案生成所需的知识，因此由于严格的模式要求和语义歧义，往往覆盖率低。我们提出了 KERAG1，一种新颖的基于 KG 的 RAG 管道，它通过检索可能包含相关信息的更广泛的子图来增强 QA 覆盖率。我们的检索过滤总结方法，结合微调的 LLM 对知识子图进行思维链推理，减少了噪声并提高了简单和复杂问题的 QA。实验表明，KERAG 在质量上超过了最先进的解决方案约 7%，并将 GPT-4o (Tool) 超过 10-21%。

🛎️文章简介

🔸研究问题：如何有效利用知识图谱提升问答系统的性能，尤其是在复杂问题的回答中？
🔸主要贡献：论文提出了一种新的知识增强检索-增强生成（KERAG）框架，该框架通过实质性的信息检索和推理来显著提高问答系统的准确率和可靠性。

📝重点思路

🔸开发了一个以实体为基础的信息检索方法，取代传统的三元组级别语义解析，使得问答覆盖率显著提高。
🔸采用了检索-过滤-摘要的处理流程，在检索阶段收集主题实体的相关信息，过滤出与问题无关的信息，最后通过推理生成准确的答案。
🔸解决了传统方法在处理大量知识时的复杂性和检索率低的问题，通过对邻近信息的整体考虑来提升检索精度。
🔸设计了一个多跳邻域检索机制以处理复杂的问题，确保在回答时充分利用所需信息。

🔎分析总结

🔸实验结果显示，KERAG在两个知识图谱基准测试中相较于其他领先方法提高了7%的质量，并在多项任务中超过了GPT-4o的性能。
🔸通过实验证明，相比于使用工具调用的语言模型，KERAG在准确性和真实性上都表现出了优越性，减少了信息的缺失率和偏差率。
🔸针对复杂问答，KERAG的多跳检索策略提高了答案的真实性和准确性，证明了其处理复杂问题的能力。
🔸KERAG还展现出了在多实体环境下的良好适应性，进一步拓展了其应用场景的广泛性。

💡个人观点

论文通过信息检索和智能的摘要生成机制，解决了传统问答系统在处理复杂问题时检索效率低的弱点。

🧩附录