La integración de la generación aumentada por recuperación basada en grafos textuales (GraphRAG) ha demostrado ser una estrategia eficaz para refinar modelos de lenguaje de gran tamaño (LLMs) en tareas de respuesta a preguntas especializadas. Los métodos existentes se han centrado principalmente en GraphRAG de cero disparos, pero la selección de demostraciones de alta calidad es crucial para mejorar las capacidades de razonamiento y la precisión de las respuestas. Estudios recientes indican que los subgrafos recuperados a menudo contienen información irrelevante, lo que puede afectar negativamente la eficiencia del razonamiento. En respuesta a estos desafíos, presentamos MixDemo, un marco GraphRAG innovador que emplea un sistema de Mixture-of-Experts (MoE) para identificar las demostraciones más pertinentes en contextos de preguntas variados. Para reducir la información irrelevante en los subgrafos recuperados, también introducimos un codificador de grafos específico para la consulta que se centra en la información más relevante para cada pregunta. Pruebas exhaustivas en varios benchmarks de grafos textuales muestran que MixDemo supera significativamente los métodos existentes.
Marco Innovador para Mejorar la Comprensión de Grafos Textuales
MixDemo presenta un nuevo enfoque para mejorar la respuesta a preguntas en grafos textuales utilizando un mecanismo de Mixture-of-Experts.
3 min readInvestigación