HippoRAG 2

HippoRAG 2 – 俄亥俄州立大学推出的检索增强生成框架

HippoRAG 2是由俄亥俄州立大学开发的一种检索增强生成（RAG）框架，旨在克服传统RAG系统在模拟人类长期记忆的动态性和关联性方面的不足。通过个性化PageRank算法，HippoRAG 2实现了深度段落整合和更高效的在线大型语言模型（LLM）应用，使其在知识检索和生成过程中更接近人类的记忆效果。

HippoRAG 2是什么

HippoRAG 2是俄亥俄州立大学推出的一种创新型检索增强生成（RAG）框架，专注于解决现有系统在模拟人类长期记忆方面的局限性。该框架利用个性化PageRank算法，结合深度段落整合及高效的在线大型语言模型（LLM），推动RAG系统更好地模拟人类思维。HippoRAG 2在离线阶段使用LLM从段落中提取三元组，并构建开放知识图谱（KG），同时通过嵌入模型识别同义词以丰富知识图谱。在在线检索时，系统将查询与KG中的三元组和段落进行关联，利用LLM过滤无关信息，应用个性化PageRank算法实现上下文感知的检索，从而为问答任务提供最相关的段落。

HippoRAG 2

HippoRAG 2的主要功能

高效的知识检索与整合：通过深度段落整合与知识图谱（KG）的构建，快速检索并整合与查询相关的知识。
多跳关联推理：利用个性化PageRank算法，系统能够进行多跳推理，连接分散的知识片段，从而应对复杂的问答任务。
上下文感知检索：结合查询与知识图谱的互动，动态调整检索结果，提升准确性和相关性。
持续学习能力：HippoRAG 2作为一种非参数化的持续学习框架，能够实时吸收新知识，提升系统的适应性，而无需修改模型参数。

HippoRAG 2的技术原理

离线索引（Offline Indexing）：利用LLM从文本段落中提取结构化三元组（主体、关系、宾语），将三元组整合至开放知识图谱（KG）。通过嵌入模型识别同义词，增强知识图谱的连接性，将原始段落与知识图谱结合，形成包含概念与上下文信息的复合知识图谱。
在线检索（Online Retrieval）：
- 查询链接：使用嵌入模型将查询与KG中的三元组和段落进行匹配，以确定图搜索的起始节点。
- 三元组过滤：使用LLM对检索到的三元组进行过滤，剔除无关信息，保留与查询高度相关的知识。
- 个性化PageRank算法：基于KG的结构，运用个性化PageRank算法进行上下文感知检索，动态调整检索结果的相关性。
- 段落排名与问答：根据PageRank得分对段落进行排序，将排名靠前的段落作为上下文输入到最终的问答模型中。
个性化PageRank算法：HippoRAG 2的核心技术之一，通过模拟人类记忆中的多跳推理过程，在知识图谱中进行深入搜索，以更好地处理复杂的关联性任务。
深度段落整合：将段落与知识图谱中的节点进行深度融合，保留段落的上下文信息，增强知识图谱的语义丰富性，使检索结果更加相关和准确。