FashionKG-RAG：知识图谱增强检索增强生成时尚问答

时尚是一个知识密集型领域，有效的决策依赖于多种类型知识的整合。尽管大语言模型（LLM）已经改变了许多领域，但它们在时尚领域的应用仍然受到幻觉和弱领域专业化的限制。基于知识图 (KG) 的检索增强生成 (RAG) 提供了一种向 LLM 添加结构化知识的有前途的方法。然而，现有的时尚知识图谱通常仅限于产品级属性或项目关系，无法捕捉更广泛的时尚生态系统。为了弥补这些差距，我们提出了 \textbf{FashionEcoKG}，这是一个以专家级精度和专业精神构建的全面的、全领域的​​知识图谱。它通过三阶段代理管道构建，从权威教科书中提取高保真知识核心，并通过跨领域增强和生成扩展加强结构连接。为了利用这一资源，我们进一步开发了 \textbf{PG-RAG} (Pruning-Grounding RAG)，这是一个 无需训练 框架，旨在处理时尚查询的概念密度和语言噪音。具体来说，我们引入了两个阶段的双粒度路径重排序（DGPR）模块。基于剪枝的语义排名 (PSR) 模块将每个查询提炼为骨架形式，以提高检索召回率，而基于证据对齐的代理排名 (GAR) 则针对原始完整查询对候选路径进行逐点审查，以确保全局相关性。在精心策划的时尚 QA 数据集上进行的实验表明，PG-RAG 有效地利用 FashionEcoKG 来提高检索和答案准确性，优于非 RAG 和现有的 KG-RAG 基线。