论文
GLM-RAG：用于基于图的检索增强生成的图语言模型
GLM-RAG: Graph Language Models for Graph-Based Retrieval-Augmented Generation
摘要
在知识图谱上的检索增强生成（RAG）要求检索器能够有效捕捉图结构与语义信息。近期方法探索了基于图神经网络（GNN）的检索器，以在多跳推理任务中建模图拓扑。与此同时，图语言模型（GLM）作为一种整合图推理与语言模型语义能力的新兴范式开始受到关注。本工作提出基于 GLM 的检索器，考察 GLM、GNN 与传统向量检索三类检索器在单跳与多跳 RAG 设定下的相对优势，并特别关注向未见领域的可迁移性。我们的发现表明，微调后的 GLM 检索器域外泛化更好，在两个多跳基准上达到 SOTA。在域内多跳问答数据集上，它们与既有工作相当，并随参数量与子图覆盖的增加展现出良好的扩展性。基于 GNN 的检索器以高效的训练设置取得更高的图覆盖率，而向量检索基线则在单跳数据集上表现突出。
