HG-RAG：面向结构化知识图谱的层级引导检索增强生成
检索增强生成（RAG）在扩展大语言模型上下文方面表现优异，但传统RAG在涉及层级或关系推理时效果不佳。本文提出HG-RAG框架，通过在层级知识图谱上进行图遍历，为语言模型提供结构化上下文。实验表明，HG-RAG在层级、关系和跳推理任务上显著优于平面检索基线，同时减少了幻觉并保持了局部连贯性。
检索增强生成（RAG）已被证明是提升大语言模型（LLM）输出质量的常用方法。然而，传统RAG系统通常从平面文档库中检索上下文，这导致在处理需要层级或关系推理的查询时表现不佳。针对这一局限性，Pranav Yadav在最新研究中提出了HG-RAG（层级引导检索增强生成），一种通过层级知识图谱的图遍历来为语言模型提供结构化上下文的框架。
HG-RAG的检索流程首先从查询中解析出命名实体锚点，然后朝三个方向扩展上下文：通过父节点向上回溯、通过关系邻居横向扩展、以及通过子节点向下深入（必要时）。这种方式确保了模型能获取涉及层级、邻域和多跳关系查询所需的完整结构化信息。
为了验证HG-RAG的有效性，研究者将其与密集检索基线进行了对比，测试覆盖三种知识图谱规模（节点数从18到800），并包含了四种查询类型：本地事实、层级、邻域和多跳。结果显示，HG-RAG在层级、关系和跳推理任务上一致优于平面检索基线，同时在减少幻觉（hallucination）和保持局部连贯性方面也有优势。
该研究的论文“HG-RAG: Hierarchy-Guided Retrieval-Augmented Generation for Structured Knowledge Graphs”由Pranav Yadav撰写，于2026年4月16日提交至arXiv，编号2607.14095。论文共8页，包含3张图，主题为人工智能（cs.AI）。HG-RAG为RAG系统在结构化知识场景下的应用提供了新的思路，尤其适合需要复杂推理的问答系统、知识图谱问答等场景。未来，HG-RAG有望在更多实际应用中发挥重要作用，推动大语言模型在结构化知识推理方面的发展。