论文
UniAI-GraphRAG：协同本体引导提取、多维聚类和双通道融合，实现鲁棒多跳推理
UniAI-GraphRAG: Synergizing Ontology-Guided Extraction, Multi-Dimensional Clustering, and Dual-Channel Fusion for Robust Multi-Hop Reasoning
摘要
检索增强生成 (RAG) 系统在复杂推理、多跳查询和特定领域的 QA 方面面临着重大挑战。虽然现有的 GraphRAG 框架在结构化知识组织方面取得了进展，但在跨行业适应性、社区报告完整性和检索性能方面仍然存在局限性。本文提出了 UniAI-GraphRAG，这是一个基于开源 GraphRAG 构建的增强框架。该框架引入了三个核心创新：（1）本体引导的知识提取，使用预定义的模式来指导大语言模型准确识别特定领域的实体和关系； （2）多维社区聚类策略，通过对齐完成、基于属性的聚类和多跳关系聚类来提高社区完整性； (3) 双通道图检索融合，通过混合图和社区检索来平衡 QA 准确性和性能。 MultiHopRAG 基准测试的评估结果表明，UniAI-GraphRAG 在 F1 综合得分上优于主流开源解决方案（例如 LightRAG），特别是在推理和时态查询方面。代码可在 https://github.com/UnicomAI/wanwu/tree/main/rag/rag_open_source/rag_core/graph 获取。
