图（Graph）能够编码大量的异构和关系信息，非常契合众多现实世界应用。将 Graph 与 RAG（检索增强生成）结合获得了越来越多的关注。2025 年初，由 Michigan State University（MSU）与 Meta、Amazon、Adobe 等机构联合发布了 GraphRAG 最新技术综述，系统梳理了该领域的架构与进展。
与传统的 RAG 不同，GraphRAG 的检索器和生成器设计具有特殊性。图结构数据的独特性为不同领域的 GraphRAG 设计带来了独特的挑战，因此需要一个全面的综述来指导实践。
RAG 与 GraphRAG 之间的区别
RAG 主要处理文本和图像数据，这些数据通常可以统一格式化为 1D 序列或 2D 网格，往往不包含显式的关系信息。相比之下，GraphRAG 处理图结构数据，涵盖了多种格式并包含特定领域的关系信息，能够更精准地捕捉实体间的关联。
通过定义 GraphRAG 的关键组件，包括查询处理器、检索器、组织者、生成器和数据源，研究提出了一个完整的 GraphRAG 框架。此外，还回顾了针对每个领域（Knowledge、Document、Social、Tabular、Reasoning 等）独特定制的 GraphRAG 技术。
全面的 GraphRAG 框架
提出的全面 GraphRAG 框架旨在通过检索和生成技术来增强下游任务的执行。这个框架的核心在于利用图结构数据的特性，以提高信息检索、数据挖掘和机器学习任务的性能。
GraphRAG 框架的关键组件
1. 查询处理器 (Query Processor)
在 GraphRAG 框架中，Query Processor 是一个关键组件，它负责对用户输入的查询进行预处理，以便与图数据源进行交互。
主要功能：
- 实体识别 (Entity Recognition)：从查询中识别出实体，并将其与图数据源中的节点相匹配。技术包括基于规则的方法、无监督学习方法、基于特征的监督学习方法和深度学习方法。例如 EntityLinker 和基于 LLM 的提取，能够识别查询中的实体类型，进一步指导检索器识别匹配类型的节点。
- 关系抽取 (Relational Extraction)：从查询中识别关系，并将其与图数据源中的边相匹配。技术包括文本表示、上下文编码和三元组预测。在 GraphRAG 中的应用主要用于构建图数据源和匹配查询中的关系，以指导图搜索。
- 查询结构调整 (Query Structuration)：将自然语言查询转换为结构化查询，如 GQL（Graph Query Language）。利用预训练和微调的 LLM 生成结构化查询。示例包括 Cypher、GraphQL 和 SPARQL 等工具，用于与属性图数据库进行复杂交互。
- 查询分解 (Query Decomposition)：将复杂的查询分解为多个子查询，以便进行多步推理。构建问题图，其中每个子查询表示为图中的三元组。Park 等人通过构建问题图来增强查询分解，提高多步推理和规划任务的性能。
- 查询扩展 (Query Expansion)：通过添加相关术语来丰富查询，以提高检索的准确性和相关性。包括基于 LLM 的查询扩展，利用图中提到的实体的邻居节点来扩展查询。Xia 等人通过利用图中提到的实体的邻居节点来扩展查询，Wang 等人通过预定义模板将查询转换为多个子查询。
2. 检索器 (Retriever)
在 GraphRAG 框架中，检索器是负责从图数据源中检索相关信息的关键组件。
主要功能：
- 检索内容：根据预处理后的查询从图数据源中检索相关内容。
- 适应图结构数据：能够处理图结构数据的多样性和复杂性，包括不同格式和来源的信息。
- 多跳遍历：支持多跳遍历，以捕获逻辑上相关的知识。
- 领域特定设计：根据不同领域的特定需求进行设计，以提高检索的准确性和效率。
关键技术分类：
- 基于规则的检索器 (Heuristic-based Retriever)：
- 实体链接：将查询中的实体与图数据源中的节点进行匹配。
- 关系匹配：将查询中的关系与图数据源中的边进行匹配。
- 图遍历：从已识别的节点和边开始，通过图遍历算法（如 BFS 或 DFS）扩展检索范围。
- 图核：使用图核来衡量图之间的相似性，进行图级别的检索。
- 基于学习的检索器 (Learning-based Retriever)：
- 浅层嵌入方法：如 Node2Vec 和 Role2Vec，用于学习节点、边和图的嵌入。
- 深层嵌入方法：如图神经网络（GNNs），用于学习节点、边和图的嵌入，同时考虑结构信号和语义特征。
- 高级检索策略 (Advanced Retrieval Strategies)：
- 集成检索：结合符号和神经检索方法，提高检索效果。
- 迭代检索：通过多步检索操作，共享因果依赖，如因果、资源和时间依赖。
- 自适应检索：根据查询的需要，自适应地调整检索的深度和广度。
3. 组织者 (Organizer)
在 GraphRAG 框架中，组织者负责处理检索器检索到的内容，将其与预处理后的查询结合，以生成更适应生成器消费的格式。
主要功能：
- 内容优化：对检索到的内容进行后处理和优化，以提高其质量。
- 图结构处理：处理检索到的图结构数据，包括图剪枝、重排序和图增强。
- 文本化：将检索到的图结构数据转换为文本格式，以便生成器可以处理。
相关技术：
- 图剪枝 (Graph Pruning)：
- 语义剪枝：根据查询的语义相关性去除节点和边。
- 语法剪枝：从语法角度去除无关节点。
- 结构剪枝：基于图的结构属性去除节点和边。
- 动态剪枝：在训练过程中动态去除噪声节点。
- 重排序 (Reranking)：
- 基于信息的重排序：根据检索到的信息的相关性进行重排序。
- 基于模型的重排序：使用预训练的模型对检索到的信息进行重排序。
- 图增强 (Graph Augmentation)：
- 图结构增强：向检索到的图中添加新的节点和边。
- 图特征增强：丰富节点和边的特征。
- 文本化 (Verbalizing)：
- 线性文本化：使用预定义的规则将图转换为文本。
- 模型驱动的文本化：使用预训练的模型将图转换为文本。
4. 生成器 (Generator)
在 GraphRAG 框架中，生成器是负责根据查询和检索到的信息生成最终答案的关键组件。生成器的任务是将组织者处理后的信息转化为具体的输出，这些输出可以是文本、图像、数值或其他形式的数据，取决于具体的应用场景。
主要功能：
- 生成最终答案：根据查询和检索到的信息生成具体的输出。
- 适应不同任务：能够处理多种任务，如分类、生成、预测等。
- 利用图结构信息：能够理解和利用图结构数据中的关系和模式。
相关技术：
- 基于判别式模型的生成器 (Discrimination-based Generator)：
- 图神经网络 (GNNs)：用于节点、边或图的分类和回归任务。
- 图变换器 (Graph Transformers)：用于捕捉全局依赖关系。
- 基于大型语言模型的生成器 (LLM-based Generator)：
- 文本化：将检索到的图信息转换为文本格式，以便 LLM 处理。
- 嵌入融合：将图嵌入和文本嵌入融合到 LLM 中。
- 位置嵌入融合：将节点的位置信息添加到 LLM 中。
- 基于图的生成器 (Graph-based Generator)：
- 分子生成：用于生成或设计新的分子结构。
- 图扩散模型：用于生成新的图结构，如分子图。
- SE(3)-equivariant 图神经网络：确保生成的分子结构在空间变换下保持不变。
各领域中 GraphRAG 的任务应用
针对不同领域，GraphRAG 展现出不同的应用形态和优势：
- 知识图谱 (Knowledge)：利用图结构存储实体关系，解决复杂问答和推理任务。
- 文档管理 (Document)：将文档内容转化为图结构，提升长文档检索的准确性。
- 社交网络 (Social)：分析用户关系链，推荐内容和发现社区。
- 表格数据 (Tabular)：将表格行/列视为节点，挖掘跨表关联。
- 推理任务 (Reasoning)：通过多跳路径推理，解决需要多步逻辑的问题。
实施挑战与未来展望
尽管 GraphRAG 展现了巨大潜力，但在实际落地中仍面临挑战：
- 数据构建成本：高质量图数据的构建和维护成本较高，尤其是非结构化数据的图化过程。
- 检索效率：大规模图数据的实时检索对计算资源要求较高，需要优化索引和遍历算法。
- 语义对齐：如何将自然语言查询准确映射到图结构，仍需进一步提升 LLM 的理解能力。
- 隐私与安全：图数据可能包含敏感关系信息，需加强访问控制和隐私保护机制。
未来，随着大模型能力的增强和图计算技术的进步，GraphRAG 将在更多垂直领域实现规模化应用，成为连接传统数据库与生成式 AI 的重要桥梁。
参考资料
