支持私有云部署
AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


HippoRAG 2发布,GraphRAG退位~

发布日期:2025-03-01 04:56:47 浏览次数: 1705 作者:PaperAgent
推荐语

HippoRAG 2引领RAG系统新突破,模拟人类长期记忆更进一步。

核心内容:
1. HippoRAG 2框架的创新点及其对现有RAG系统的改进
2. HippoRAG 2在关键维度上的评估和性能表现
3. HippoRAG 2与基线方法的对比及性能提升细节

杨芳贤
53A创始人/腾讯云(TVP)最具价值专家
为解决现有检索增强生成(RAG)系统在模拟人类长期记忆的动态和关联性方面的局限性,一种新型框架HippoRAG 2提出并将开源~
在三个关键维度上评估持续学习能力:事实记忆、感知构建和关联性。HippoRAG 2在所有基准类别中均超越了其他方法(RAPTOR、GraphRAG、LightRAG、HippoRAG),使其更接近真正的长期记忆系统。
HippoRAG 2框架的核心思想:HippoRAG 2基于HippoRAG的个性化PageRank算法,通过深度段落整合和更有效的在线LLM使用,推动RAG系统更接近人类长期记忆的效果。

离线索引:

  • 使用LLM从段落中提取三元组,并将其整合到开放知识图谱(KG)中。
  • 通过嵌入模型检测同义词,并在KG中添加同义词边。
  • 将原始段落与KG结合,形成包含概念和上下文信息的开放KG。
在线检索:
  • 使用嵌入模型将查询与KG中的三元组和段落链接,确定图搜索的种子节点。
  • 通过LLM过滤检索到的三元组,保留相关三元组。
  • 应用个性化PageRank算法进行上下文感知检索,最终为下游问答任务提供最相关的段落。
      基线方法:包括经典检索器(BM25、Contriever、GTR)、大型嵌入模型(GTE-Qwen2-7B-Instruct、GritLM-7B、NV-Embed-v2)和结构增强RAG方法(RAPTOR、GraphRAG、LightRAG、HippoRAG)。
      评估指标:问答任务使用F1分数,检索任务使用passage recall@5。
      性能提升:HippoRAG 2在所有基准类别上均超越其他方法,平均F1分数比标准RAG高出7个百分点,特别是在关联记忆任务上表现突出。
      一个HippoRAG 2 pipeline示例
      https://github.com/OSU-NLP-Group/HippoRAG From RAG to Memory: Non-Parametric Continual Learning for Large Language Modelshttps://arxiv.org/pdf/2502.14802

      53AI,企业落地大模型首选服务商

      产品:场景落地咨询+大模型应用平台+行业解决方案

      承诺:免费场景POC验证,效果验证后签署服务协议。零风险落地应用大模型,已交付160+中大型企业

      联系我们

      售前咨询
      186 6662 7370
      预约演示
      185 8882 0121

      微信扫码

      添加专属顾问

      回到顶部

      加载中...

      扫码咨询