本公众号主要关注NLP、CV、LLM、RAG、Agent等AI前沿技术，免费分享业界实战案例与课程，助力您全面拥抱AIGC。

RAG技术通过外部检索系统为大型语言模型（LLMs）提供领域特定知识，有效减少了答案幻觉现象，但在多跳和跨段落任务中仍存在不足，尤其是在需要逻辑推理的专业领域，如法律、医学和科学等。

KAG在多跳问答任务中显著优于现有RAG方法，在HotpotQA和2wiki数据集上的F1分数分别提高了19.6%和33.5%

KAG解决的问题

KAG框架通过充分利用知识图谱（KG）和向量检索的优势，从五个关键方面双向增强LLMs和KGs的生成和推理性能。

• LLM友好的知识表示（LLMFriSPG）

• 知识图谱与原始文本块之间的互索引（Mutual Indexing）

• 逻辑形式引导的混合推理引擎（Logical Form Solver）

• 基于语义推理的知识对齐（Knowledge Alignment）

• KAG模型的能力增强（KAG-Model）

功能解读

LLMFriSPG

私域知识库场景，非结构化数据、结构化信息、业务专家经验 往往三者共存，KAG 提出了一种对大型语言模型（LLM）友好的知识表示框架，在 DIKW（数据、信息、知识和智慧）的层次结构基础上，将 SPG 升级为对 LLM 友好的版本，命名为 LLMFriSPG。

• LLMFriSPG将知识分为实体类型、事件类型和概念类型，支持预定义属性和实时添加的动态属性，并通过“属于”关系将实体类型或事件类型与概念类型关联。

• LLMFriSPG还定义了知识层（KGcs）、图信息层（KGfr）和原始文本块层（RC），以更准确地表示信息和知识的层次结构。

• 知识层遵循严格的模式约束，提供高准确性和逻辑严谨性的知识

• 图信息层与知识层共享实体类型、事件类型和概念系统，为知识层提供有效的信息补充

• 原始文本块层则作为图信息层的有效原始文本上下文补充，具有高信息完整性。

Mutual Indexing

KAG通过互索引机制在图结构和文本块之间建立联系，以增加图结构的描述性上下文，并使用概念语义图对齐不同知识粒度，减少噪声，增加图的连通性。

具体过程包括：

• 基于系统内置提示进行语义分块，生成符合长度约束和语义连贯性的文本块；

• 使用LLMs提取实体、事件、概念和关系，构建知识图谱，并在知识图谱和原始文本块之间建立互索引结构；

• 通过领域术语和概念注入、模式约束提取和预定义知识结构等方法，减少开放信息抽取（OpenIE）在专业领域应用中引入的噪声；

• 最后，将共享模式、实例图、文本块和概念图等核心数据结构存储在知识图谱存储和向量存储中。

Logical Form Solver

KAG通过逻辑形式将问题分解为多个逻辑表达式，每个表达式可能包含检索或逻辑操作的函数。逻辑形式引导的混合推理引擎包括规划、推理和检索三个关键步骤。

• 规划过程通过逻辑函数组合将复杂问题分解为多个子问题；

• 推理过程根据分解的问题检索信息，并根据检索结果推断问题的答案，或在检索内容无法回答问题时重新分解子问题；

• 检索过程则找到可以作为原始问题或分解子问题参考的内容。

• 此外，KAG还设计了基于反思和全局记忆的多轮解决机制，以提高问题解决的准确性和鲁棒性。

Knowledge Alignment

为解决知识对齐中存在的问题，KAG利用概念图在离线索引构建和在线检索过程中进行语义推理。

• 具体任务包括知识实例标准化、实例与概念链接、概念间语义关系补全和领域知识注入等。

• 在提取阶段为每个实例、概念或关系添加描述性文本信息，增强其可解释性和上下文相关性；

• 同时，支持领域概念和术语知识的注入，减少垂直领域中知识粒度不匹配导致的噪声问题。

• 概念推理的目标是充分利用向量检索和概念推理，基于上述知识结构完成概念关系，以提高领域KG的准确性和连通性。

KAG创建的流程

分为三个模块：KAG-Build、KAG-Solver、KAG-Model

KAG-Build

利用KAG-Builder模块负责构建离线索引，包括结构化信息获取、知识语义对齐和图存储写入三个过程。

• 首先，根据文档的结构层次和段落之间的内在逻辑联系，基于系统内置提示进行语义分块，生成符合长度约束和语义连贯性的文本块。

• 然后，使用LLMs提取实体、事件、概念和关系，构建知识图谱，并在知识图谱和原始文本块之间建立互索引结构。

• 最后，通过领域术语和概念注入、模式约束提取和预定义知识结构等方法，减少噪声，提高知识的准确性和连通性，并将构建好的知识图谱写入存储。

KAG-Solver

KAG-Solver模块负责解决复杂问题，包括规划、推理和检索三个关键步骤。

• 首先，将当前问题分解为多个逻辑形式表示的子问题，并执行混合推理来解决它们。

• 如果可以通过多跳推理在结构化知识上获得确切答案，则直接返回答案。

• 否则，将答案和检索结果存储在全局记忆中，并判断问题是否已解决。

• 如果未解决，则生成补充问题并进入下一次迭代。

• 在整个过程中，利用逻辑形式引导的混合推理引擎，结合知识图谱和原始文本块的互索引结构，实现对问题的准确理解和解答。

KAG-Model

KAG模型通过优化自然语言理解（NLU）、自然语言推理（NLI）和自然语言生成（NLG）三个基本能力，支持KAG框架中各模块所需的能力。

• 在NLU方面，通过大规模指令重构和多样化指令合成策略，创建了一个包含20000多个多样化指令的NLU指令数据集，用于监督微调基础模型，提高模型在下游任务中的NLU能力。

• 在NLI方面，收集了高质量的概念知识库和本体，构建了一个包含六种不同类型的推理指令的训练数据集，以增强模型的语义推理能力。

• 在NLG方面，提出了K-Lora和AKGF两种高效的微调方法，使生成过程更好地符合场景期望。

• K-Lora通过“三元组到文本”的生成任务，使模型能够识别知识图谱注入的信息格式，并获得特定领域的语言风格。

• AKGF则通过知识图谱反馈，对模型生成的答案进行评分和排序，以指导模型进一步优化。

• KAG还引入了一种高效的单次推理统一生成和检索（OneGen）模型，将检索和生成任务集成到一个模型中，减少了系统复杂性，并提高了训练效率。

https://arxiv.org/pdf/2409.13731

https://github.com/OpenSPG/KAG