AtomicRAG: Улучшение генерации с поддержкой извлечения с помощью графов атом-объектов

Недавние достижения в методах GraphRAG интегрировали графовые структуры в процессы индексирования и извлечения текста. Используя тройки графов знаний, эти методы стремятся улучшить охват и точность извлечения информации. Однако значительное ограничение возникает, когда текстовые сегменты рассматриваются как основная единица представления знаний, поскольку этот подход имеет тенденцию группировать несколько атомных фактов. Эта жесткость ограничивает адаптивность, необходимую для различных контекстов извлечения. Кроме того, зависимость от связывания сущностей на основе троек подвержена ошибкам в извлечении отношений, что может привести к неполным или неточным путям рассуждений, в конечном итоге снижая эффективность извлечения. Чтобы преодолеть эти проблемы, мы представляем Граф Атом-Объект, усовершенствованную архитектуру для представления и индексирования знаний. Наш метод акцентирует внимание на атомах знаний—отдельных, самодостаточных единицах фактической информации—позволяя гибкую реорганизацию без взаимного влияния. Связи между сущностями просто указывают на существование отношения. Объединив персонализированный PageRank с фильтрацией на основе релевантности, мы обеспечиваем точные связи сущностей и улучшаем надежность рассуждений. Теоретические оценки и эксперименты на пяти публичных наборах данных показывают, что алгоритм AtomicRAG превосходит существующие эталоны RAG по точности извлечения и устойчивости рассуждений.