KET-RAG——一种创新性的多粒度索引框架，致力于在知识检索的质量与成本之间实现最优平衡。其核心思路是什么？简单来说，就是通过构建知识图谱骨架和文本-关键词二分图，配合双通道检索策略，实现既精准又经济高效的知识获取。
当前基于图的检索增强生成系统（Graph-RAG）在处理大规模文档时，始终面临一个两难困境：一边是成本低但检索质量堪忧的KNN图方法，另一边是质量高但索引成本高到令人咋舌的知识图谱方法。以处理5GB法律文档为例，仅索引成本就可能飙升至3.3万美元——这个数字足以让许多团队望而却步。
研究痛点
- 基于文本块相似性的KNN图方法尽管成本低，却无法捕捉文本内部的实体关系，导致检索与生成质量欠佳；
- 基于知识图谱的KG-RAG方法则走向另一个极端——通过提取实体和关系大幅提升检索质量，但高昂的索引成本限制了其大规模应用。
创新突破
KET-RAG（Knowledge-Entity-Text Retrieval-Augmented Generation）正是为解决这一矛盾而设计。其创新体现在三个关键设计上：
- 知识图谱骨架：仅从核心文本块中构建知识图谱，大幅降低索引成本；
- 文本-关键词二分图：作为知识图谱的轻量级替代方案，通过关键词与文本块的关联实现高效检索；
- 双通道检索策略：将知识图谱骨架与文本-关键词二分图相结合，在检索质量与成本之间找到最佳平衡点。
应用价值
在两个真实世界数据集上，研究团队对八种解决方案进行了全面评估。结果令人信服：KET-RAG在索引成本、检索效果和生成质量上全面优于Text-RAG、KNNG-RAG、KG-RAG、Hybrid-RAG以及Skeleton-RAG等竞争对手。更值得注意的是，其检索质量与微软的Graph-RAG相当甚至更优，而索引成本却降低了一个数量级以上。
方案详情
KET-RAG框架的核心在于多粒度索引结构的巧妙组合，具体包括以下关键部分：
- 知识图谱骨架（Skeleton-RAG）：首先通过PageRank算法从KNN图中筛选出重要文本块，然后仅对这些核心块构建知识图谱。这样一来，索引成本大幅下降，同时保留了关键结构。
- 文本-关键词二分图（Keyword-RAG）：将所有文本块分割为子块，然后构建关键词与子块之间的关联图。关键词及其邻近文本块充当候选实体和关系，实现轻量级检索。
- 双通道检索：在检索阶段，KET-RAG同时利用知识图谱骨架和文本-关键词二分图的优势，通过可调节的检索比例参数（记为α）平衡两者的贡献，从而提升检索质量。
- 参数优化：通过调整输入文本块大小（ℓ）、分割层数（m）等参数，可以进一步优化检索和生成性能。
这种多粒度索引与双通道检索的巧妙组合，使KET-RAG在保证检索质量的同时，将索引成本控制在可接受的范围内。对于大规模知识检索与生成任务而言，这是一个兼具效率与经济性的解决方案。
论文链接：KET-RAG: A Cost-Efficient Multi-Granular Indexing Framework for Graph-RAG