HugRAG：RAG 的分层因果知识图设计

摘要

检索增强生成 (RAG) 通过访问外部知识增强了大语言模型，基于图的 RAG 成为结构化检索和推理的强大范例。然而，现有的基于图的方法通常过度依赖表面级节点匹配并且缺乏明确的因果建模，导致不忠实或虚假的答案。先前合并因果关系的尝试通常仅限于本地或单文档上下文，并且还受到模块化图结构引起的信息隔离的影响，这阻碍了可扩展性和跨模块因果推理。为了应对这些挑战，我们提出了 HugRAG，这是一个通过跨层次模块的因果门控来重新思考基于图的 RAG 的知识组织的框架。 HugRAG 显式地建模因果关系以抑制虚假相关性，同时实现大规模知识图谱的可扩展推理。大量实验表明，HugRAG 在多个数据集和评估指标上始终优于基于图的竞争性 RAG 基线。我们的工作为结构化、可扩展和因果关系的 RAG 系统奠定了原则基础。

CausalRAG2：面向RAG的分层因果知识图谱设计 — 图2：HugRAG流水线概览。在离线阶段，原始文本被嵌入以构建知识图谱和向量库，然后通过划分形成层次图，并由LLM识别因果关系以构建带有因果门控的图。在在线阶段，查询被嵌入并评分以检索前K个实体，然后N跳遍历利用因果门控跨模块组装上下文子图；LLM进一步区分因果关系与虚假关系，以产生最终的上下文和答案。