SelfGraphRAG：通过综合 QA 生成弥合基于图的 RAG 中的监督差距

检索增强生成（RAG）通过合并外部知识而无需重新训练来改进 大语言模型，但现有方法通常未充分利用知识图中编码的关系结构。基于图的 RAG 可以捕获实体关系，但监督图检索通常需要标记的问答数据，而这些数据可能不适用于新构建的图。我们使用 SelfGraphRAG 解决了这一限制，该框架直接从知识图结构生成问答对，并使用它们来训练查询条件图 检索器。生成的问题捕获多跳路径和本地邻域，无需手动注释即可提供关系监督。多跳问答和分类基准的实验表明，与基于嵌入的基准相比，SelfGraphRAG 提高了检索精度和下游推理性能。这些结果表明，当标记数据不可用时，知识图结构可以为训练图 检索器 提供有用的监督。