NGM-RAG：基于神经图匹配的检索增强生成

检索增强生成 (RAG) 显着增强了 大语言模型 (LLM) 通过动态集成外部数据库提供准确且上下文相关答案的能力。然而，传统的 RAG 方法主要受到对基于文本的检索策略的依赖的限制，这些策略常常难以解决需要多跳推理的复杂问题。为了解决这个限制，我们引入了基于神经图匹配的检索增强生成（NGM-RAG），这是一种利用图结构有效捕获和利用关系知识来改进检索和答案生成的新颖框架。 NGM-RAG 明确地将图构建、图匹配和答案生成合并到一个统一的过程中。在此框架内，我们提出了一种将基于文本的匹配与图神经网络（GNN）相结合的神经图匹配方法。通过采用自适应加权策略，NGM-RAG 有效地集成了多种匹配方法，以选择最相关的上下文节点信息来生成答案。多跳问答和长上下文摘要任务的实验结果表明，与传统的 NaiveRAG 方法和最先进的图增强方法（例如 GraphRAG 和 LightRAG）相比，我们的 NGM-RAG 模型实现了卓越的性能。