XGRAG：解释基于知识图谱的检索增强生成的图原生框架

基于图的检索增强生成（GraphRAG）通过使用知识图谱（KG）为大语言模型（LLM）提供结构化、语义连贯的上下文来扩展传统 RAG，从而产生更有依据的答案。然而，GraphRAG 的推理过程仍是黑箱，限制了我们理解特定的结构化知识片段如何影响最终输出的能力。现有的面向 RAG 系统的可解释性（XAI）方法是为基于文本的检索设计的，仅能通过知识组件之间的关联结构来解释 LLM 响应，在透明性与可信度上留下了关键缺口。为解决这一问题，我们提出 XGRAG，一个新框架，通过基于图的扰动策略为 GraphRAG 系统生成因果依据明确的解释，以量化各个图组件对模型答案的贡献。我们开展了大量实验，将 XGRAG 与标准 RAG 的 XAI 基线 RAG-Ex 进行对比，并评估其在不同问题类型、叙事结构和 LLM 下的鲁棒性。我们的结果表明，在 NarrativeQA、FairyTaleQA 和 TriviaQA 上，以衡量生成解释与原始答案一致性的 F1 分数评估，XGRAG 的解释质量较基线 RAG-Ex 提升 14.81%。此外，XGRAG 的解释与图中心性度量呈现强相关，验证了其捕捉图结构的能力。XGRAG 通过透明、基于图的解释增强 RAG 系统的可解释性，为通往可信 AI 提供了一条可扩展、可泛化的路径。