文本图形理解和问答的演示混合

基于文本图的检索增强生成 (GraphRAG) 已成为增强 大语言模型 (LLM) 领域特定问答的强大范例。虽然现有方法主要关注零样本 GraphRAG，但选择高质量的演示对于提高推理和答案准确性至关重要。此外，最近的研究表明，检索到的子图通常包含不相关的信息，这会降低推理性能。在本文中，我们提出了 MixDemo，这是一种新颖的 GraphRAG 框架，增强了专家混合 (MoE) 机制，用于在不同的问题上下文中选择信息最丰富的演示。为了进一步减少检索到的子图中的噪声，我们引入了特定于查询的图编码器，它有选择地关注与查询最相关的信息。跨多个文本图基准的广泛实验表明，MixDemo 显着优于现有方法。