文章目录
- 核心问题
- 核心思想
- 方法
- 双超图索引构建 (Dual-Hypergraph Indexing)
- 认知启发的两阶段检索 (Cognitive-Inspired Two-Stage Retrieval)
- 数据集
- 实验
- 贡献
核心问题
现有的 RAG 方法主要面临以下三个局限性：
- 扁平化检索的碎片化：传统的 RAG 基于文本块（Chunk）的向量相似度检索，忽略了块与块之间的语义依赖和层级关系，导致检索到的信息碎片化，缺乏整体结构感 。
- 现有图方法的局限：虽然引入图结构（如 GraphRAG）增强了实体间的关联，但目前的方法主要关注实体间的“成对关系”（pairwise relations），难以捕捉多个实体间的“高阶交互”（high-order interactions） 。
- 缺乏宏观到微观的认知对齐：现有方法缺乏统一的主题组织，无法模拟人类“自顶向下”（Top-down）的推理过程（即先把握核心主题，再以此为基础回忆细节），导致从宏观理解到微观细节的生成不一致 。
核心思想
Cog-RAG 的设计灵感来源于人类处理复杂任务时的认知过程：
- 自顶向下的认知模式：人类倾向于先识别核心主题（Theme），构建全局语义框架，然后基于主题去回忆相关的具体细节（Entity）。
- 双超图建模（Dual-Hypergraph）：
