推荐语
KET-RAG：新框架大幅降低知识检索成本，开启高效生成新纪元。
核心内容：
1. 现有Graph-RAG系统在成本和检索质量间的挑战
2. KET-RAG框架的三大创新：知识图谱骨架、文本-关键词二分图、双通道检索
3. KET-RAG在真实数据集上的性能优势与成本降低效果
杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
研究痛点：现有的基于图的检索增强生成（Graph-RAG）系统在处理大规模文档时面临两难困境。
提出了KET-RAG（Knowledge-Entity-Text Retrieval-Augmented Generation），一种多粒度索引框架。KET-RAG通过以下创新实现高效低成本的知识检索：- 知识图谱骨架：仅从核心文本块中构建知识图谱，大幅减少索引成本。
- 文本-关键词二分图：作为知识图谱的轻量级替代，通过关键词与文本块的关联实现高效检索。
- 双通道检索策略：结合知识图谱骨架和文本-关键词二分图的优势，平衡检索质量和成本。
应用价值：在两个真实世界的数据集上评估了八种解决方案，结果表明，KET-RAG 在索引成本、检索效果和生成质量方面均优于所有竞争对手(Text-RAG、KNNG-RAG、KG-RAG、Hybrid-RAG、Skeleton-RAG)。值得注意的是，KET-RAG 的检索质量与微软的 Graph-RAG 相当甚至更优，同时索引成本降低了超过一个数量级。KET-RAG框架的核心在于结合多粒度索引结构，具体包括以下部分：
知识图谱骨架（Skeleton-RAG）：通过PageRank算法从KNN图中选择重要文本块，并仅对这些核心文本块构建知识图谱，减少索引成本。
文本-关键词二分图（Keyword-RAG）：将所有文本块分割为子块，并构建关键词与子块的关联图。关键词及其邻近文本块作为候选实体和关系，用于轻量级检索。
双通道检索：在检索阶段，KET-RAG结合知识图谱骨架和文本-关键词二分图的优势，通过调整检索比例参数（??）平衡两者贡献，提升检索质量。
参数优化：通过调整输入文本块大小（ℓ）、分割层数（??）等参数，进一步优化检索和生成性能。
KET-RAG通过这种多粒度索引和双通道检索策略，在保证检索质量的同时，大幅降低了索引成本，为大规模知识检索和生成任务提供了高效、低成本的解决方案。
https://arxiv.org/pdf/2502.09304KET-RAG: A Cost-Efficient Multi-Granular Indexing Framework for Graph-RAG
粤ICP备14082021号
免费POC，
零成本试错
