研究论文
- 图检索增强生成：综述
- DiffKG: 用于推荐的知识图谱扩散模型
- 统一大型语言模型和知识图谱：路线图
- 像图一样说话：为大语言模型编码图
- 一个基准测试，用于理解知识图谱在企业SQL数据库问答中大型语言模型准确性的作用
- G-Retriever: 用于文本图理解和问答的检索增强生成
- GraphER: 一种结构感知的文本到图模型，用于实体和关系抽取
- 从本地到全球：一种基于图RAG的查询聚焦摘要方法
- 基于知识图谱的检索增强生成用于客户服务问答
- HybridRAG: 集成知识图谱和向量检索增强生成以实现高效信息提取
- GraphReader: 构建基于图的代理以增强大型语言模型的长上下文能力
- LightRAG: 简单快速的检索增强生成
- StructRAG: 通过推理时混合信息结构化提升LLMs的知识密集型推理能力
- Think-on-Graph: 知识图谱上大型语言模型的深度与负责任推理
- HippoRAG: 受神经生物学启发的大型语言模型长期记忆
- Medical Graph RAG: 通过图检索增强生成实现安全的医疗大型语言模型
- 别忘了连接！通过基于图的重新排序改进RAG
- GRAG: 图检索增强生成
- Plan-on-Graph: 知识图谱上大型语言模型的自校正自适应规划
- 图上的解码：通过生成格式良好的链在知识图上进行忠实和可靠的推理
- 图链式思维：通过在图上的推理增强大型语言模型
- SimGRAG: 利用相似子图进行知识图谱驱动的检索增强生成
- 知识增强语言模型提示用于零样本知识图谱问答
- FactKG: 通过知识图谱推理进行事实验证
- 基于知识图谱的问答变分推理