大模型论文 | GNN-RAG:图神经网络+大模型,让知识图谱问答效率提升
本文提出的 GNN-RAG 框架,在知识图谱问答中通过 GNN 进行高效检索,再结合 LLM 进行推理,既保证了复杂问题下的准确性,又大幅度降低了 LLM 调用成本。实验表明,该方法在多跳、多实体问题中效果尤其突出,并在效率上优于长上下文检索。未来工作可探索更紧密的 GNN-LLM 交互和提示优化。
GNN-RAG框架结合图神经网络与大型语言模型,解决传统RAG在知识图谱问答中效率低下和计算昂贵问题。该框架利用轻量级GNN进行高效图检索,学习节点相关性权重并聚合邻居信息,再结合LLM进行最终推理。实验表明,该方法在多跳、多实体问题上显著优于现有方法,F1分数提升8.9-15.5%,计算成本降低9倍,推理延迟减少30%以上。
笔记整理:Chaney,浙江大学博士
论文链接:https://aclanthology.org/2025.findings-acl.856.pdf
发表会议:ACL 2025
1. 动机
检索增强生成(RAG)在知识图谱问答(KGQA)中通过整合从知识图谱(KG)检索到的信息,提高了大语言模型(LLMs)的上下文能力。然而,目前大多数方法依赖LLM API调用来生成可执行的关系路径或遍历知识图谱,这在复杂的KGQA任务(例如涉及多跳或多实体的问题)中不仅效率低下且计算昂贵。如何在尽可能降低计算成本的前提下,高效准确地从知识图谱中进行信息检索成为一个重要问题。为此,作者引入了GNN-RAG框架,该框架利用轻量级图神经网络(GNNs)进行有效且高效的图检索。GNN学习根据节点与问题的相关性以及其邻近节点的相关性为节点分配重要性权重。这使得该框架能够有效处理图中远距离节点的上下文,从而提高检索性能。
2. 贡献
本文的主要贡献有:
(1)提出利用图神经网络进行知识图谱检索,结合LLM进行最终推理;
(2)在WebQSP、CWQ等基准数据集上取得SOTA效果,并显著降低计算和API调用成本;
(3)提出两种框架扩展方式,结合基于LLM的语义解析器与动态选择检索策略,可进一步提升召回率与泛化性;
3. 方法
GNN-RAG的总体框架如图1所示。在第一阶段输入问题与KG子图,轻量级GNN在稠密子图上进行推理,即根据问题计算每个节点的相关性权重,并聚合邻居节点信息,逐层传播,最终输出候选答案节点及其与问题实体的最短路径。在第二阶段,将GNN提取出的推理路径转化为自然语言格式,并与问题一起作为上下文提供给LLM,辅助LLM进行最终答案生成。此外,GNN-RAG 可以与 RoG (一种语义解析模型,可根据问题生成可执行的关系路径)结合,从而生成更全面的关系路径集合;同时,还可通过引入路由机制,在长上下文检索与GNN-RAG 之间动态选择,以平衡准确率和效率。
图1 GNN-RAG总体框架图
4. 实验
作者在WebQSP、ComplexWebQuestions(CWQ)和MetaQA-3三个基准数据集上展开实验,对比的基线方法包括GNN基线(如ReaRev)、LLM基线(如ToG、RoG)以及长上下文检索基线(如SubgraphRAG),评测指标为Hit、F1 Score、Hit@k以及H@1。
实验如图2,图3所示。GNN-RAG 在 WebQSP、CWQ 上的 F1 分数超越现有方法,在复杂问题上提升 8.9–15.5%。在多跳、多实体问题上,GNN-RAG 显著优于 RoG 与 SubgraphRAG。相比 SubgraphRAG,GNN-RAG 使用 9 倍更少的 tokens,推理延迟更低(30 分钟 vs 42–58 分钟)。
表1 主实验结果
表2 多跳和多实体问题表现
5. 总结
本文提出的 GNN-RAG 框架,在知识图谱问答中通过 GNN 进行高效检索,再结合 LLM 进行推理,既保证了复杂问题下的准确性,又大幅度降低了 LLM 调用成本。实验表明,该方法在多跳、多实体问题中效果尤其突出,并在效率上优于长上下文检索。未来工作可探索更紧密的 GNN-LLM 交互和提示优化。
如何系统学习掌握AI大模型?
AI大模型作为人工智能领域的重要技术突破,正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口,掌握AI大模型的知识和技能将变得越来越重要。
学习AI大模型是一个系统的过程,需要从基础开始,逐步深入到更高级的技术。
这里给大家精心整理了一份
全面的AI大模型学习资源
,包括:AI大模型全套学习路线图(从入门到实战)、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等,资料免费分享
!
1. 成长路线图&学习规划
要学习一门新的技术,作为新手一定要先学习成长路线图,方向不对,努力白费。
这里,我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。
2. 大模型经典PDF书籍
书籍和学习文档资料是学习大模型过程中必不可少的,我们精选了一系列深入探讨大模型技术的书籍和学习文档,它们由领域内的顶尖专家撰写,内容全面、深入、详尽,为你学习大模型提供坚实的理论基础。(书籍含电子版PDF)
3. 大模型视频教程
对于很多自学或者没有基础的同学来说,书籍这些纯文字类的学习教材会觉得比较晦涩难以理解,因此,我们提供了丰富的大模型视频教程,以动态、形象的方式展示技术概念,帮助你更快、更轻松地掌握核心知识。
4. 大模型行业报告
行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估,以了解哪些行业更适合引入大模型的技术和应用,以及在哪些方面可以发挥大模型的优势。
5. 大模型项目实战
学以致用 ,当你的理论知识积累到一定程度,就需要通过项目实战,在实际操作中检验和巩固你所学到的知识,同时为你找工作和职业发展打下坚实的基础。
6. 大模型面试题
面试不仅是技术的较量,更需要充分的准备。
在你已经掌握了大模型技术之后,就需要开始准备面试,我们将提供精心整理的大模型面试题库,涵盖当前面试中可能遇到的各种技术问题,让你在面试中游刃有余。
全套的AI大模型学习资源已经整理打包,有需要的小伙伴可以
微信扫描下方CSDN官方认证二维码
,免费领取【保证100%免费
】
更多推荐
所有评论(0)