基于多结构图检索的大语言模型增强方法
摘 要：大语言模型（LLM）在实际应用场景中面临知识时效性局限、幻觉生成和决策黑盒三大挑战，现有基于知识图谱的增强方法存在图结构丢失、检索焦点过窄和信息冗余方面的缺陷。为此，本文提出多结构图检索增强方法（multi-structure graph retrieval augmented method, MSGR），设计整合精确子图匹配与支链推理扩展的双通道检索机制，精确子图匹配基于实体相似度构建局部连通结构，保留关键语义以及精确图结构信息；支链推理扩展通过多跳结构探索拓宽检索焦点，利用大语言模型筛选和捕获最小冗余隐性关联知识。通过加权集成与关系去重精炼上下文信息，融合生成可靠的结构化上下文。在罕见病诊断任务测试中，MSGR 在 RAMEDIS 数据集上诊断准确率达到了0.795，相较链式检索 ToG 提升了 7.5%，相较子图检索 MindMap 提升了 17.5%，所提方法能有效缓解知识缺失与幻觉问题，MSGR 在 LIRICAL、PUMCH 等数据集的所有指标均优于最新同类型方法（如 ToG、MindMap、KG2RAG），本文方法已在医疗场景验证，未来将扩展至多领域。
论文下载：