主要观点总结
本文介绍了知识融合视角下的检索增强生成技术（RAG）的研究进展，包括知识融合背景及经典方法、知识融合视角下的RAG技术及其预处理、对齐、去噪等关键步骤的优化策略，以及总结和展望。文章提到RAG技术通过融合外部检索得到的符号化知识与LLMs（大型语言模型）中的参数化知识，更好地服务于下游任务，符合知识融合的思想。文章还介绍了面向RAG的去噪方法、输出策略等，并探讨了未来研究方向，如探索外部符号化知识与LLMs内部参数化知识深度融合的形式和扩展知识融合的范畴。
关键观点总结
关键观点1: 知识融合背景及经典方法
本文介绍了知识融合的背景和经典方法，包括输入、输出形式以及预处理、对齐和去噪等关键步骤。
关键观点2: 知识融合视角下的RAG技术
本文将RAG技术放到知识融合的框架下进行分析，介绍其如何借鉴经典知识融合的思想和方法，优化RAG过程中的知识融合环节。
关键观点3: RAG技术的优化策略
本文提出了RAG技术的优化策略，包括预处理的图结构优化、对齐过程的可解释性提升、去噪策略的动态判断以及输出的知识维护和更新等。
关键观点4: 面向RAG的去噪方法和输出策略
本文介绍了面向RAG的去噪方法和输出策略，包括识别冲突知识、动态判断知识可靠性以及融合后知识的复用等。
关键观点5: 未来研究方向
本文探讨了未来研究方向，如探索外部符号化知识与LLMs内部参数化知识深度融合的形式和扩展知识融合的范畴等。
文章预览
导读 OpenKG新开设“TOC专家谈”栏目，推送OpenKG TOC（技术监督委员会）专家成员的观点文章。本期邀请到国防科技大学赵翔教授介绍“知识融合视角下的检索增强生成技术”方面的一些思考，尝试将RAG放到经典知识融合的框架下，重新审视并引出若干借鉴经典方法对RAG过程进行优化的思路和例证。 摘要 大数据智能时代，知识已成为人类创造力与高新信息技术有机协同的根源性驱动力。知识融合旨在关联不同来源的知识，提升知识的覆盖度和准确度，为下游任务提供更全面和高质量的知识支撑。近年来，大语言模型（ large language models, LLMs ）相关研究兴起。有观点认为， LLMs 通过预训练过程，从大规模语料中习得了事实、常识等丰富的知识，并用参数化的形式将其存储起来，以响应用户的各类查询。然而， LLMs 的生成式回复依然面临幻觉等问题，为
………………………………
