今天是2025年7月25日，星期五，北京，雨。
我们继续回到GraphRAG的主题，并且重点看看知识图谱方向，有个类似于query分级或者多路召回的思路，即用于知识图谱问答的多策略图检索思路ByoKG-RAG，来看看效果。
其中，还可以再温习一下一些已有的基于大模型进行知识图谱问答的方案，如LLM+graph-query、Text-based Retrieval、Graph Reranker、Agentic Traversal等。
一、用于知识图谱问答的多策略图检索思路ByoKG-RAG
现有方法主要依赖大模型进行图谱遍历和检索，但这种方法对遍历初始化敏感，容易产生实体链接错误(这个确实，往往是第一步)，如下图所示：
所以，可以看一个思路《BYOKG-RAG: Multi-Strategy Graph Retrieval for Knowledge Graph Question Answering》(https://arxiv.org/pdf/2507.04127,https://github.com/awslabs/graphrag-toolkit)，这个工作呢，则认为说，不要死押在实体链接上，而是可以从多个角度进行图链接，以及图召回，也就是上图中的multi-link方案。
1、算法思想
核心思想是利用LLM作为知识图谱链接器（KG-Linker），生成多样化的图构件，然后通过专门的图工具将这些构件链接到知识图谱中，并通过多种检索方法检索相关上下文。
如上图所示，核心在于两阶段方法：
1）KG-Linker，利用LLM生成多样的图谱构件，包括实体、路径和查询。LLM的提示包括四个主要任务：实体抽取（从问题和可选的图谱上下文中提取所有相关实体）、关系路径识别（识别连接实体的关系路径，这些路径可以用来回答问题）、图谱查询生成（构建一个完整的、可执行的图谱查询语句，用于从图数据库中检索答案）和答案草案生成（使用现有的知识库或图谱上下文中的外部信息回答问题）。
这一步也是用prompt驱动的，
细分开来看，可以完整看下prompt：
例如，用于实体抽取和关系路径生成prompt：
又如图谱查询、答案草案生成prompt:
2）Graph Retrievers多策略图谱检索，包括实体链接、路径检索、图谱查询检索和三元组检索（Agentic Retrieval和Scoring-based Retrieval）。
其中：
实体链接，将LLM生成的实体链接到实际的图谱实体，实现两种互补的链接方法：模糊字符串匹配和节点嵌入链接（基于bge-m3）。
路径检索阶段，执行并验证LLM生成的路径，同时发现图中可以导向所需信息的其他路径。使用广度优先搜索从源实体开始探索图谱，直到找到所有有效的路径或没有更多有效路径为止。
图谱查询检索阶段，将自然语言转换为可执行的图谱操作，使用OpenCypher语言生成查询并执行；
三元组检索阶段，作为补充方法，通过捕捉可能被直接检索遗漏的相关事实来工作，采用两种方法：agent遍历和基于评分的检索。前者通过LLM逐步遍历图谱，后者通过语义相似性选择相关三元组。
最后，看下执行的例子：
2、性能对比及代表方案
在效果侧，在五个不同知识图谱类型上的表现，包括WebQSP、ComplexWebQuestions、CronQuestions、MedQA和Text2cypher，这些基准测试涵盖了不同的知识图谱，如Freebase、Wikidata和Disease DrugBank；评估指标采用Hit率、H@2和LLMaaJ分数。
对比如下：
其中几个方案：
LLM+graph-query方案将LLM生成与Text2Cypher生成相结合。
Text-based Retrieval方案，基于文本的检索方案，基于问题-三元组的嵌入相似性检索排名前k的三元组。
Graph Reranker方案，通过基于图的重排检索排名前k的三元组，这个思路为给定链接的实体E和查询q，图重排器模块通过重排，在E的L跳邻域内的三元组来检索前K个最相关的三元组，重排阶段采用交叉编码。
Agentic Traversal方案，采用LLM代理迭代探索相关实体和关系，直到自我终止。
其思想就是迭代地提示大模型进行实体选择和关系选择，prompt如下：
参考文献
1、https://arxiv.org/pdf/2507.04127,
（文：老刘说NLP）