HippoRAG 2发布，GraphRAG退位~

作者
为解决现有检索增强生成（RAG）系统在模拟人类长期记忆的动态和关联性方面的局限性，一种新型框架HippoRAG 2提出并将开源~
在三个关键维度上评估持续学习能力：事实记忆、感知构建和关联性。HippoRAG 2在所有基准类别中均超越了其他方法（RAPTOR、GraphRAG、LightRAG、HippoRAG），使其更接近真正的长期记忆系统。
HippoRAG 2框架的核心思想：HippoRAG 2基于HippoRAG的个性化PageRank算法，通过深度段落整合和更有效的在线LLM使用，推动RAG系统更接近人类长期记忆的效果。

离线索引：

  • 使用LLM从段落中提取三元组，并将其整合到开放知识图谱（KG）中。
  • 通过嵌入模型检测同义词，并在KG中添加同义词边。
  • 将原始段落与KG结合，形成包含概念和上下文信息的开放KG。
在线检索：
  • 使用嵌入模型将查询与KG中的三元组和段落链接，确定图搜索的种子节点。
  • 通过LLM过滤检索到的三元组，保留相关三元组。
  • 应用个性化PageRank算法进行上下文感知检索，最终为下游问答任务提供最相关的段落。
      基线方法：包括经典检索器（BM25、Contriever、GTR）、大型嵌入模型（GTE-Qwen2-7B-Instruct、GritLM-7B、NV-Embed-v2）和结构增强RAG方法（RAPTOR、GraphRAG、LightRAG、HippoRAG）。

      评估指标：问答任务使用F1分数，检索任务使用passage recall@5。
      性能提升：HippoRAG 2在所有基准类别上均超越其他方法，平均F1分数比标准RAG高出7个百分点，特别是在关联记忆任务上表现突出。
      一个HippoRAG 2 pipeline示例
      https://github.com/OSU-NLP-Group/HippoRAG From RAG to Memory: Non-Parametric Continual Learning for Large Language Modelshttps://arxiv.org/pdf/2502.14802

      （文：PaperAgent）

      欢迎分享

      发表评论