摘要
检索增强生成（RAG）通过接入外部知识增强了大语言模型能力，其中基于图的 RAG 成为结构化检索与推理的有力范式。然而，现有方法常过度依赖表面节点匹配且缺乏显式因果建模，导致答案不忠实或存在虚假相关。既往尝试多局限于局部语境，且因模块化结构导致信息孤立，阻碍了跨模块因果推理与扩展性。为此，本文提出 HugRAG 框架，通过分层模块间的因果门控机制重构知识组织，显式建模因果关系以抑制虚假关联，实现大规模知识图谱上的可扩展推理。实验表明其在多项指标上优于现有基线。
AI 推荐理由
论文核心在于通过因果建模解决图 RAG 中的虚假相关，提升结构化推理的准确性与可扩展性。
研究机构
Department of Computer and Data Sciences, Case Western Reserve University, Cleveland, OH, USA
论文信息