论文
HG-RAG：面向结构化知识图谱的层级引导检索增强生成
HG-RAG: Hierarchy-Guided Retrieval-Augmented Generation for Structured Knowledge Graphs
摘要
检索增强生成（RAG）已被证明是提升大语言模型（LLM）在更宽上下文下输出质量的广泛成功流程。但RAG系统通常从扁平文档库检索上下文——当查询需要跨结构化知识的层级或关系推理时表现吃力。我提出HG-RAG（层级引导RAG）：一个在层级知识图谱上执行图遍历、向语言模型交付结构化上下文的框架。检索管线从查询解析命名实体锚点，随后向上经父节点、横向经关系邻居、必要时向下经子节点扩展上下文。我在三个世界规模（18–800节点）上、以四种查询类型（局部事实、层级、邻域与多跳）对比稠密检索基线评估HG-RAG。结果显示HG-RAG在层级、关系与多跳推理任务上一致优于扁平基线，同时减少幻觉并保持局部连贯。
