超越块本地提取：GraphRAG 的跨块图增强

GraphRAG 通过将语料库组织为显式知识图来扩展检索增强生成，从而实现基于图的检索以实现复杂的问题解答。然而，现有框架提取各个块内的实体和关系，而索引中系统性地缺少跨块关系（证据跨越多个段落的关系）。由于块组合的组合爆炸，对此类关系进行基于 LLM 的详尽恢复是不切实际的。我们提出了 CrossAug，一种 GNN 引导的 CROSS-Chunk Graph AUGmentation 方法，它通过跨块关系结构丰富 GraphRAG 索引，作为查询时检索之前的离线步骤。 CrossAug 通过自监督图损坏获得训练监督，使用拓扑感知 GNN 对子图缺失进行评分，并仅将基于证据的 LLM 补全应用于选定的高分区域。在四个多跳和长文档 QA 基准测试中对三个基于 LLM 的 GraphRAG 框架进行的实验表明，CrossAug 持续提高了性能，证实了跨块图增强对于基于检索的问答的好处。我们的代码可在 https://github.com/DonFinliani/CrossAug 获取。