Resumen: Los métodos de RAG basados en gráficos como Graphrag han mostrado una comprensión global prometedora de la base de conocimiento mediante la construcción de gráficos de entidades jerárquicas. Sin embargo, a menudo sufren de ineficiencia y confían en los modos de consulta predefinidos manualmente, lo que limita el uso práctico. En este artículo, proponemos E^2Graprag, un marco de trapo basado en gráficos aerodinámico que mejora la eficiencia y la efectividad. Durante la etapa de indexación, E^2gragg construye un árbol resumido con modelos de lenguaje grandes y un gráfico de entidad con Spacy basado en fragmentos de documentos. Luego construimos índices bidireccionales entre entidades y trozos para capturar sus relaciones de muchas a muchos, permitiendo una búsqueda rápida durante la recuperación local y global. Para la etapa de recuperación, diseñamos una estrategia de recuperación adaptativa que aprovecha la estructura del gráfico para recuperar y seleccionar entre los modos locales y globales. Los experimentos muestran que E^2Gragg logra hasta una indexación hasta 10 veces más rápida que Graphrag y 100 veces acelerada sobre Lightrag en recuperación mientras mantiene el rendimiento competitivo de control de calidad.
Publicado Originalme en rss.arxiv.org El 1 de junio de 2025.
Ver Fuente Original
