零标注也能训图检索器！SelfGraphRAG自产问答对，多跳检索精度碾压基线
SelfGraphRAG: Bridging the Supervision Gap in Graph-Based RAG with Synthetic QA Generation
📖 AI 总结
SelfGraphRAG提出了一种解决图增强检索生成（Graph-based RAG）中监督数据稀缺问题的新框架。传统图检索方法通常依赖人工标注的问答对来训练检索器，但新构建的知识图谱往往缺乏此类标注。该框架直接从知识图谱结构中自动生成问答对，利用这些合成数据训练查询条件图检索器。生成的问句覆盖多跳路径和局部邻域，从而在不需人工干预的情况下提供关系监督。实验表明，在多跳问答和分类基准上，SelfGraphRAG相较基于嵌入的基线方法显著提升了检索精度和下游推理性能。这一成果说明，即使缺乏标注数据，知识图谱自身的结构信息也能有效用于训练图检索器，为图增强RAG的实际部署提供了可行路径。
🔑 关键词速览
| Retrieval-augmented generation (RAG) | 检索增强生成，一种结合外部知识库检索与大型语言模型生成的技术，无需重新训练模型。 |
| Knowledge graph | 知识图谱，一种以图结构存储实体及其关系的语义网络，用于表示结构化知识。 |
| Graph-based RAG | 基于图的检索增强生成，利用知识图谱中的关系结构来增强检索和生成过程。 |
| Query-conditioned graph retriever | 查询条件图检索器，一种根据输入查询从知识图谱中检索相关子图的模型。 |
| Multi-hop reasoning | 多跳推理，指通过多个关系步骤在知识图谱中推理以回答复杂问题的能力。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅