A Unified Framework for Context-Aware and Relation-Aware Graph Retrieval-Augmented Generation
作者: Haoyang Zhong, Yifei Sun, Antong Zhang, Chunping Wang, Lei Chen, Yang Yang
分类: cs.AI
发布日期: 2026-06-16
备注: Accepted at The ACM Web Conference 2026 (WWW '26)
💡 一句话要点
提出HyGRAG框架以解决图检索增强生成中的知识融合问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 图检索 增强生成 知识融合 层次化结构 多跳推理 上下文感知 关系感知 动态更新
📋 核心要点
- 现有图检索增强生成方法在知识融合上存在不足，无法有效整合上下文和关系信息。
- HyGRAG框架通过构建层次化图结构，整合上下文和关系信息，提升检索效果。
- 实验结果显示，HyGRAG在多跳推理任务上准确率提高了9.7%，展现出良好的效率。
📝 摘要（中文）
检索增强生成（RAG）已成为增强大型语言模型（LLMs）与外部知识的范式，但现有基于图的方法存在根本性限制：实体中心和块中心的方法在原始文本的表示上操作，未能实现真正的知识融合。本文提出HyGRAG，一个层次化图RAG框架，通过构建真正整合上下文和关系信息的摘要、利用合成表示在检索过程中访问新兴知识，以及高效更新动态语料库的层次结构，来解决这一问题。具体而言，我们设计了基于混合图的层次索引结构，并通过迭代聚类生成基于LLM的摘要。此外，我们设计了上下文和关系感知的检索，能够跨所有抽象层级进行搜索，同时通过社区成员扩展。实验结果表明，HyGRAG在多跳推理任务的平均准确率上提高了9.7%，同时保持了合理的效率。
🔬 方法详解
问题定义：本文旨在解决现有图检索增强生成方法在知识融合上的不足，尤其是实体中心和块中心方法在信息检索时的局限性，导致未能实现真正的知识整合。
核心思路：HyGRAG框架的核心思路是通过层次化图结构，整合上下文和关系信息，构建出更为全面的知识表示，从而在检索过程中能够访问新兴知识。
技术框架：整体架构包括层次索引结构、混合图的构建、迭代聚类生成LLM摘要、上下文和关系感知检索等主要模块，形成一个动态更新的知识检索系统。
关键创新：HyGRAG的主要创新在于其层次化图结构的设计，能够同时处理块和实体节点，并通过社区成员扩展检索范围，显著提升了信息检索的效果。
关键设计：在设计中，采用了基于混合图的层次索引结构，聚类算法用于生成摘要，检索算法则结合了上下文和关系信息，确保了动态知识更新的高效性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，HyGRAG在多跳推理任务中的平均准确率提高了9.7%，相较于基线方法展现出显著的性能提升，同时保持了良好的计算效率，证明了其在实际应用中的有效性。
🎯 应用场景
该研究的潜在应用领域包括智能问答系统、信息检索、知识图谱构建等。通过有效整合上下文和关系信息，HyGRAG能够提升系统的理解能力和响应准确性，具有广泛的实际价值和未来影响。
📄 摘要（原文）
Retrieval-Augmented Generation (RAG) has emerged as a paradigm for enhancing large language models (LLMs) with external knowledge, yet existing graph-based methods face a fundamental limitation: entity-centric and chunk-centric approaches operate on representations anchored to original text without true knowledge fusion. While entity-centric methods connect logically related content and chunk-centric methods preserve context, both retrieve information separately through similarity search, missing emergent understanding from their synthesis. In this paper, we propose HyGRAG, a hierarchical graph RAG framework that transcends source documents by addressing three core challenges: constructing summaries that genuinely integrate contextual and relational information, leveraging these synthesized representations to access emergent knowledge during retrieval, and efficiently updating hierarchical structures for dynamic corpora. Specifically, we design hierarchical index structures over hybrid graphs with both chunk and entity nodes, then iteratively cluster them and generate LLM-based summaries. Then, we design context and relation-aware retrieval that searches across all abstraction levels while expanding through community membership. Moreover, we enable dynamic knowledge update through attachment-based algorithms with only local re-summarization. Experimental results show that HyGRAG improves the average accuracy of multi-hop reasoning tasks by 9.7%, while maintaining reasonable efficiency.