AtomicRAG：用于检索增强生成的原子实体图

最近的 GraphRAG 方法将图结构集成到文本索引和检索中，使用知识图三元组连接文本块，从而提高检索覆盖率和精度。然而，我们观察到，将文本块视为知识表示的基本单位，将多个原子事实严格地组合在一起，限制了支持不同检索场景所需的灵活性和适应性。此外，基于三元组的实体链接对关系提取错误很敏感，这可能导致推理路径丢失或不正确，并最终损害检索准确性。为了解决这些问题，我们提出了原子实体图，这是一种更精确、更可靠的知识表示和索引架构。在我们的方法中，知识被存储为知识原子，即独立的、独立的事实信息单元，而不是粗粒度的文本块。这使得知识元素可以灵活地重新组装而不会相互干扰，从而实现与不同查询视角的无缝对齐。实体之间的边仅指示关系是否存在。通过将个性化 PageRank 与基于相关性的过滤相结合，我们可以保持准确的实体连接并提高推理的可靠性。对五个公共基准的理论分析和实验表明，所提出的 AtomicRAG 算法在检索精度和推理鲁棒性方面优于强大的 RAG 基线。代码：https://github.com/7HHHHH/AtomicRAG。