2024年5月26日 · To overcome this limitation, we introduce Graph Retrieval-Augmented Generation (GRAG), which tackles the fundamental challenges in retrieving textual subgraphs and integrating the joint textual and topological information into Large Language Models (LLMs) to enhance its generation.

2025年3月27日 · GRAG方法包括四个主要阶段：k-hop图（ego-graph）的索引、图检索、软剪枝以减轻无关实体的影响，以及基于剪枝后的文本子图生成。 GRAG的核心工作流是通过检索文本子图并进行软剪枝，能够有效识别相关的子图结构，同时避免了全面子图搜索（该搜索为NP难问题）带来的计算不可行性。 此外，作者提出了一种新的提示策略，能够无损地将文本子图转换为层次化的文本描述。 在图多跳推理基准上的广泛实验表明，在需要对文本图进行多跳推理的场景 …

Naive Retrieval-Augmented Generation (RAG) methods are not aware of the topological information of the retrieved documents / knowledge graphs, and using only text information cannot solve graph question answering scenarios: We introduce GRAG, retrieving relevant subgraphs instead of just discrete entities.

2024年11月23日 · 一、GRAG简介： GRAG (Grails Application Generator)是针对Grails framework 开发而使用的自由的域对象生成器。GRAG可以读取数据库中的表结构，并根据表结构生成Domain类。有了GRAG工具的帮助，可以很方便地兼容旧数据库。

2024年12月8日 · 介绍了图检索增强生成（grag），以扩展检索增强生成（rag）到基于图的场景。 提出了一个grag的计算框架，通过检索与查询相关的文本子图，增强了大型语言模型（llms）的生成能力。

In this paper, we introduce Graph Retrieval-Augmented Generation (GRAG) to extend Retrieval-Augmented Generation (RAG) to graph-based scenarios. We present a computational framework for GRAG that enhances the generation capabilities of Large Language Models (LLMs) by retrieving query-relevant textual subgraphs.

2024年7月1日 · RAG（Retrieval-Augmented Generation）主要依赖于文本相似性进行实体检索，但在处理包含文本和拓扑信息的图结构时显得不足。 GRAG旨在解决传统RAG方法在图结构文本中的不足。 GRAG强调了子图结构的重要性，提升了检索和生成过程的效果，提高了多跳推理任务中的性能，并有效减少了“幻觉”（即生成错误信息）的发生。 GRAG包含四个主要阶段：索引、图检索、软剪枝和生成。 使用预训练语言模型（PLM）将k跳自我图（k-hop ego-graphs）索引 …

2024年7月23日 · grag模型通过联合文本和图的拓扑信息，有效解决了传统rag模型在处理图数据时的不足。实验结果证明，grag方法在图上的多跳推理任务上显著优于当前最先进的rag方法和llm基线，特别是在需要复杂推理和图上下文一致性的场景中。

2024年10月18日 · GRAG方法包括四个主要阶段：k-hop图（ego-graph）的索引、图检索、软剪枝以减轻无关实体的影响，以及基于剪枝后的文本子图生成。 GRAG的核心工作流是通过检索文本子图并进行软剪枝，能够有效识别相关的子图结构，同时避免了全面子图搜索（该搜索为NP难问题 ...

RAG（Retrieval-Augmented Generation）主要依赖于文本相似性进行实体检索，但在处理包含文本和拓扑信息的图结构时显得不足。 GRAG旨在解决传统RAG方法在图结构文本中的不足。 GRAG强调了子图结构的重要性，提升了检索和生成过程的效果，提高了多跳推理任务中的性能，并有效减少了“幻觉”（即生成错误信息）的发生。 GRAG包含四个主要阶段： 索引、图检索、 软剪枝 和生成。 使用预训练语言模型（PLM）将k跳自我图（k-hop ego-graphs）索引并转换为 …