FAIR GraphRAG：一种用于语义数据分析的检索增强生成方法

# FAIR GraphRAG：一种面向语义数据分析的检索增强生成方法
来源：https://arxiv.org/html/2607.11464
\\UseRawInputEncoding

###### 摘要

检索增强生成（RAG）解决了大型语言模型（LLM）在回答特定领域问题时的局限性。基于图的RAG方法（如GraphRAG）通过捕获知识图谱（KG）中的语义关系来增强检索。尽管FAIR原则（可查找性、可访问性、互操作性和可重用性）在科学数据管理（尤其是医学等复杂领域）中日益普及，但现有RAG方法缺乏对底层知识资源的结构化FAIR化处理。这一缺失限制了它们在上述领域实现FAIR信息检索的潜力。为弥补这一空白，我们提出了FAIR GraphRAG——一种将FAIR数字对象（FDO）作为图检索系统基本单元的新型框架。每个图节点代表一个FDO，其包含核心数据、元数据、持久标识符和语义链接。我们利用LLM来支持模式构建以及从数据源中自动提取内容和元数据。该框架由医生和计算机科学家共同设计，以确保技术和临床相关性。我们将FAIR GraphRAG应用于胃肠病学生物医学数据集，证明了其在RNA测序数据中的适用性。除了确保遵循FAIR原则外，FAIR GraphRAG还显著提高了问答的准确性、覆盖率和可解释性，尤其适用于涉及元数据和本体链接的复杂查询。这项工作展示了将FAIR数据实践与基于图的检索技术相结合的可能性。我们预见该方法可应用于教育、商业等其他专业领域。

© 2025 IEEE。允许个人使用本材料。如需在其他任何当前或未来媒体上进行转载/重新发布（包括用于广告或促销目的）、创建新的汇编作品、转售或分发至服务器或列表、或重用本作品中任何受版权保护的组件，必须获得IEEE的许可。

## I 引言

设想一位临床医生提问：“患者的诊断是否需要调整处方药物的剂量？”——这个查询需要将患者记录与标准化药物数据库相结合。在实践中，患者诊断通常使用自定义术语，而药物信息则依赖于SNOMED CT¹¹等标准化词汇表。如果不将患者数据链接到标准本体，即使是高级AI系统也无法将诊断匹配到正确的剂量建议。这种不匹配会导致结果不完整或不正确，并可能危及患者护理。

应对此类挑战需要从不同数据源中提取和连接知识的复杂方法。自然语言处理领域大型语言模型（LLM）的最新进展彻底改变了从文本、表格数据等不同来源提取信息的方式[1]。这些进步影响了医疗、金融和教育等多个领域[2,3]。然而，尽管LLM功能强大，但当领域特定知识未包含在其训练语料中时，它们缺乏此类知识。这种知识差距可能导致幻觉或事实性错误输出[2,4]。

这就是为什么近期研究聚焦于检索增强生成（RAG）[5,2,3]，它通过外部知识补充LLM以提高响应准确性。RAG整合了领域特定来源（如数据集），增强了事实信息的检索并减少了幻觉。在医学领域，RAG系统可以通过检索患者诊断、疾病术语及其与用药指南关系的链接记录来回答问题。RAG系统的性能高度依赖于检索信息的质量和相关性，这凸显了底层知识源的重要性。

知识图谱（KG）是语义丰富的互联结构，旨在以机器可读格式表示实体间关系[6]。这种数据结构有助于理解并发现潜在模式，使得KG在需要组织化、全面理解复杂信息的领域中尤其有用。此外，KG能够整合不同数据源，使其非常适合复杂的分析任务[3]。从图数据库中检索相关信息的RAG系统可被视为RAG的子类，称为GraphRAG[2]。虽然KG提供事实知识，但LLM在解释复杂查询和生成上下文感知答案方面仍然至关重要[3]。

回到开头的例子，全面回答临床查询需要一种标准化的方式来将所有相关信息（如本体链接）纳入底层知识资源，确保准确且可互操作的检索。FAIR原则为有效的数据管理提供了广泛认可的指南[7]。虽然初步努力已产生了包含丰富元数据、标准词汇表、持久标识符（PID）并提供人机可访问接口的FAIR KG[8,9,10,11]，但据我们所知，目前尚无对RAG系统底层知识进行结构化FAIR化的全面解决方案。如开头示例所示，解决这一空白对于确保来自异构源的信息能够在AI驱动系统中被高效发现、链接、访问和重用至关重要。

基于GraphRAG和FAIR KG的先前工作，我们引入了一种新颖的FAIR GraphRAG框架，该框架使用FAIR数字对象（FDO）（如图1所示）作为检索系统的核心知识单元。我们图中的每个节点代表一个FDO，通过在其“外壳”中包含核心数据构件、描述该构件的元数据以及唯一标识该构件的PID，完全符合FAIR原则。在实现基于GraphRAG的数据探索的同时，框架本身也是基于LLM的——我们评估了使用LLM来构建FAIR KG，包括模式设计以及从数据集中自动提取实体和元数据等任务。我们使用术语“数据集”来指代结构化和非结构化数据集合。我们的主要贡献如下：（1）我们引入了FAIR GraphRAG框架，并形式化了基于FDO的FAIR KG模型；（2）我们开发了用于构建FAIR KG的端到端流水线；（3）我们通过在生物医学数据集上的实现和评估展示了我们方法的实际价值。该框架由医生和计算机科学家合作开发。

本文结构如下：在第二节中，我们介绍FAIR原则和FDO概念，并讨论最先进的GraphRAG方法，指出现有方法中缺乏结构化FAIR化。在第三节中，我们在FAIR GraphRAG框架内形式化、构建并实现基于FDO的FAIR KG。第四节展示了我们在生物医学数据集上方法的评估结果，证明其适用性。最后，第五节总结我们的贡献并概述未来工作方向。

## II 相关工作

本节概述与我们工作相关的概念和最新进展。我们首先讨论FAIR原则，并考察其以FDO形式应用于数字对象的情况。接下来，我们回顾构建遵循FAIR原则的KG的方法，包括将FDO作为图结构中语义有意义单元进行整合的努力。我们强调最近在利用LLM构建KG方面的进展，并指出现有方法尚未纳入FAIR原则或FDO。最后，我们讨论RAG的出现及其向基于图检索的扩展，重点关注特定领域应用。

参考图标题

图1：一个高层次的FAIR数字对象模型。改编自Wittenburg等人[12]

### II-A FAIR数字对象

FAIR原则的引入旨在改进科学数据的管理、共享和重用，使数据可查找、可访问、可互操作和可重用[13]。为了实现这些原则，FDO的概念应运而生[14]。FDO是一种标准化的数字实体，旨在供人类和机器理解与操作[7]。它将以一致方式处理数字数据对象所需的所有信息和功能整合在一起。如图1所示（以已发表研究文章为例），FDO包含几个核心元素：

- • 位序列：数字格式的核心数据（例如，文章的PDF文件）。
- • 元数据：描述数据的信息，如标题、作者、出版日期和期刊名称。
- • 操作：受面向对象编程启发的标准化、机器可读操作（例如，get_metadata, download）。
- • 持久标识符（PID）：用于可靠访问的永久唯一标识符（例如，doi:10.2345/article123）。

通过以这种方式打包数据，FDO支持自动化、可重复性和互操作性，使科学数据更有价值且更可重用。它们在组织数据治理[15,16]和生物医学领域[17]的应用证明了其实用相关性。

### II-B FAIR原则与知识图谱

从异构数据构建高质量KG仍然是一个基础性挑战[18]。已有几篇文献涉及创建遵循FAIR原则的图结构，范围涵盖FAIR生物知识网络、FAIR COVID-19 KG到FAIR涂鸦KG[8,9,10]。虽然这些工作通过为整个KG分配PID、元数据和标准化访问来使其符合FAIR原则，但它们未能解决识别和FAIR化图中语义有意义子单元的问题。这些子单元能够实现细粒度访问控制、高效数据集成、自动发现和机器重用，从而提升KG的实用性和互操作性。一些方法进一步（1）将KG结构化为语义子图[19]或（2）链接FDO的元数据[17]。虽然基于FDO创建KG已被探索[19]，但现有工作主要集中在链接元数据和语义单元上，没有涉及核心内容链接、本体术语映射或利用LLM进行图构建等方向。

### II-C 用于知识图谱构建的LLM

近期进展展示了使用LLM从异构和非结构化数据源构建知识图谱的可行性[20,21,22]。方法范围涵盖跨数据集类型构建统一KG、增量式构建以及直接基于文本进行灵活模式构建。LLM被用于模式设计、实体关系抽取和图内容自动丰富等关键任务。然而，当前LLM驱动的KG构建方法并未涉及FAIR原则或FDO的使用。填补这一空白至关重要，因为确保KG符合FAIR原则能够提升数据的可查找性、可访问性、互操作性和可重用性，从而使KG对人类和机器都更有用。

### II-D 图检索增强生成

RAG通过从可用数据源检索相关信息来改进响应生成[5]。当使用LLM时，相关信息与原始用户问题一起被添加到LLM的上下文窗口（即LLM一次可以处理的文本跨度）中，从而使LLM能够生成更明智的答案。因此，RAG允许检索领域特定信息，最大程度减少幻觉或事实错误输出等问题[2,4]。然而，传统RAG常常忽略底层检索文本中固有的关系，未能表示其互联结构[2]。从图结构（例如节点及其互连）中检索知识使我们能够考虑文本中提到的概念或实体之间的语义关系，增强其产生上下文感知和事实准确响应的能力[2]。基于KG的LLM摘要技术可用于回答关于整个文本语料的全局性问题，例如“数据集中的主要主题是什么？”这种方法在全面性和多样性上始终优于传统RAG，如两个数据集的评估所示[23]。其核心创新在于通过将紧密相关的实体分组为社区并引入多个层级来构建多个子图[23]。在医学等特定领域环境中，GraphRAG方法解决了异构医疗数据（包括结构化格式如化验值、非结构化文本如自由文本临床笔记、以及影像或基因组数据）的体量、复杂性和敏感性所带来的独特挑战。这种多样性使得数据集成和语义映射变得复杂。最近的框架将用户提供的数据链接到受控词汇表、外部生物医学知识源以及本体（如统一医学语言系统（UMLS）²²），从而也支持了FAIR原则[15]。

现有RAG方法整合了增强FAIR特征的元素，例如多级图结构[23]以提高可查找性。