Knowledge Graph RAG Complex QA Symbolic Reasoning
摘要

针对通用大语言模型(LLM)和检索增强生成(RAG)在特定领域复杂条件问答中表现不佳的问题,本文提出KGCaRe框架。该框架结合神经检索与符号推理,利用多提示策略从文档构建知识图谱(KG),并存储于图数据库及向量库中。KGCaRe通过LLM引导的迭代图遍历提取相关三元组,修剪无关信息,并结合语义检索文本生成带解释的答案。实验表明,该方法在多个数据集上显著优于基线模型。

AI 推荐理由

论文核心在于通过知识图谱遍历增强LLM的逻辑推理能力,解决复杂条件问答中的推理难题。

研究机构
Amazon Web Services (AWS) Amazon Web Services (AWS) Research University of Washington
论文信息
作者 Ghanshyam Verma, Simanta Sarkar, Devishree Pillai, Hotaka Shiokawa, Yourong Xu et al.
发布日期 2026-08-10
arXiv ID 2608.09779
相关性评分 9/10 (高度相关)