arXiv cs.AI· Maya Arseven, Anette Frank, Beni Egressy, Johann Higl, Moritz Plenz·· 9 天前AI 评分23
GLM-RAG：面向基于图的检索增强生成的图语言模型
GLM-RAG: Graph Language Models for Graph-Based Retrieval-Augmented Generation
AI 导读
研究提出基于图语言模型（GLM）的检索器 GLM-RAG，并对比 GLM、GNN 与向量搜索三类检索器在单跳和多跳 RAG 中的表现。微调后的 GLM 检索器跨域泛化更优，在两个多跳基准上达到 SOTA，域内多跳 QA 与既有工作相当，且随参数与子图覆盖提升有良好扩展性。GNN 检索器以高效训练获得更高图覆盖，向量搜索基线则在单跳数据集上表现最佳。
正文 · AI 翻译
摘要：知识图谱上的检索增强生成（RAG）需要能够有效捕捉图结构和语义信息的检索器。近期研究探索了基于图神经网络（GNN）的检索器，以在多跳推理任务中建模图拓扑结构。与此同时，图语言模型（GLM）作为一种融合图推理与语言模型语义能力的新兴范式崭露头角。在本工作中，我们提出了一种基于 GLM 的检索器，并研究了基于 GLM、基于 GNN 以及传统基于向量搜索的检索器在单跳和多跳 RAG 场景下的相对优势，尤其关注向未见领域的迁移能力。我们的研究结果表明，经过微调的 GLM 检索器在域外泛化能力更强，在两个多跳基准上取得了 SOTA。在域内多跳问答数据集上，它们与先前工作保持相当水平，并且随着参数和子图覆盖范围的增加展现出良好的扩展性。基于 GNN 的检索器以高效的训练设置实现了更高的图覆盖率，而向量搜索基线则在单跳数据集上表现优异。
| 评论： | 已被 AACL-IJCNLP 2026 接收，9 页，19 张图 |
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL）；信息检索（cs.IR） |
| ACM 分类： | I.2.0; I.2.4; I.2.7 |
| 引用为： | arXiv:2607.28397 [cs.AI] |
| （或使用 arXiv:2607.28397v2 [cs.AI] 引用此版本） | |
| https://doi.org/10.48550/arXiv.2607.28397 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Maya Arseven [查看电子邮件]
[v1]
2026年7月30日星期四 15:49:34 UTC（572 KB）
[v2]
2026年10月8日星期四 11:33:14 UTC（607 KB）
来源：arXiv cs.AI · arxiv.org