Topology of Reasoning: Retrieved Cell Complex-Augmented Generation for Textual Graph Question Answering

摘要

检索增强生成（ RAG ）通过动态整合外部知识来增强大型语言模型（ LLM ）的推理能力，从而减轻幻觉并加强结构化数据（如图形）的上下文基础。 尽管如此，大多数现有的文本图的RAG变体都集中在低维结构上--将节点视为实体（ 0维） ，将边或路径视为成对或顺序关系（ 1维） ，但忽略周期，这对于关系循环的推理至关重要。这种循环经常出现在需要对相似物体或相对位置进行闭环推断的问题中。 这种局限性通常会导致不完整的上下文基础和有限的推理能力。在这项工作中，我们提出了拓扑增强检索增强生成（ TopoRAG ） ，这是一种用于文本图问答的新框架，可以有效地捕获更高维的拓扑和关系依赖关系。 具体来说， TopoRAG首先将文本图提升到细胞复合体中，以对多维拓扑结构进行建模。利用这些提升的表示，提出了一种拓扑感知子复杂检索机制来提取与输入查询相关的蜂窝复合体，从而提供紧凑且信息丰富的拓扑上下文。 最后，多维拓扑推理机制在这些复合体上运行，以传播关系信息并指导LLM执行结构化的逻辑感知推理。实证评估表明，我们的方法在不同的文本图形任务中一直超过现有的基线。