文章预览
来源 ：DeepHub IMBA 本文 约11000字 ，建议阅读 15+分钟 本文主要聚焦于架构中GNN部分的优化与分析。 在大型语言模型(LLMs)相关的人工智能突破中，图神经网络(GNNs)与LLMs的融合已成为一个极具前景的研究方向。这两类模型的结合展现出显著的互补性，能够协同增强LLMs的推理能力和上下文理解能力。 通过从知识图谱(KGs)存储的海量信息中进行智能化检索，该结合能够生成准确且不含幻觉的答案。 本文对面向知识图谱问答(Q )的GNN-LLM组合架构进行了多维度探索。研究重点关注了两种用于LLM检索增强生成(RAG)的GNN架构： He等人提出的G-Retriever，以及Mavromatis和Karypis提出的最新GNN检索增强生成(GNN-RAG)框架。 后者采用RAG方式实现了基于ReaRev GNN架构的知识图谱问答。 我们首先运用PyTorch Geometric和G-Retriever构建GNN-LLM架构的探索性模型，从理论和实现两个维度建立对核
………………………………
