SimGRAG：利用相似子图增强知识图谱驱动的 RAG 系统

项目地址：https://github.com/YZ-Cai/SimGRAG
论文出处：ACL 2025 Findings
Star：141 ⭐ | Forks：22 | 语言：Python

一、研究背景：当 RAG 遇上知识图谱

大型语言模型（LLM）在各领域展现出强大能力，但其「幻觉」问题始终是落地应用的核心障碍。为了让模型在回答时「有据可依」，检索增强生成（RAG）技术应运而生——它从外部知识源中检索相关片段，再注入 LLM 的推理上下文，显著降低幻觉率。

在众多知识源中，知识图谱（Knowledge Graph, KG） 以其结构化、语义清晰的关系网络，成为 RAG 的优质载体。与传统文本块检索相比，KG 能够表达实体之间的多跳关系（如「A 通过 X 关系连接到 B，B 再通过 Y 关系连接到 C」），这对需要推理链路的问题尤为重要。

然而，如何将自然语言查询精准映射到 KG 中的子图结构，一直是 KG-RAG 的核心难题。用户的查询往往是模糊的、松散描述的，而 KG 中的结构是严格定义的——两者的「语义鸿沟」使得简单向量相似度匹配难以奏效。

ACL 2025 收录的论文 SimGRAG（Similar Graph Enhanced Retrieval-Augmented Generation）正是为解决这一难题而生。

二、核心思想：两阶段查询-子图对齐

SimGRAG 的核心创新在于提出了一条两阶段的处理管线，将「模糊查询」逐步转化为「精确子图」：

阶段一：Query-to-Pattern（查询→图模式）

这一阶段利用 LLM 的推理能力，将用户的自然语言问题「翻译」为结构化的图查询模式。

具体来说，LLM 会根据 Few-shot Prompt 中提供的示例，将输入问题转换为类似 (实体A, 关系X, ?) 或 (?, 关系Y, 实体B) 的图模式表达。这种模式本质上是对查询结构的抽象——它不指定具体的实体名称，而是定义了查询的骨架（哪些位置是实体，哪些位置是关系）。

以 MetaQA 数据集为例，查询「谁导演了《盗梦空间》？」会被转化为图模式 (电影, 导演, ?)，后续再将「盗梦空间」作为锚点匹配到具体节点。

阶段二：Pattern-to-Subgraph（图模式→子图）

有了图模式后，下一步是在 KG 中找出与该模式匹配的最佳子图。SimGRAG 提出了一个关键指标：图语义距离（Graph Semantic Distance, GSD）。

GSD 的核心思路是：

向量化：使用 Nomic Embedding 模型，将 KG 中的所有节点（实体）和关系（边）编码为高维向量。
向量检索：查询模式中的每个元素（节点/关系）与 KG 中的候选元素计算向量相似度，找出 Top-K 最相似的节点/关系。
图距离计算：综合考虑节点和关系的匹配程度，计算候选子图与查询模式之间的 GSD 分数，选取 GSD 最小的 Top-K 子图作为最终检索结果。

这一设计的巧妙之处在于：GSD 不仅考虑节点级别的相似度，还充分考虑了关系的匹配质量——因为在 KG 中，关系的错误匹配往往比节点错误更具破坏性。

三、系统架构与代码实现

SimGRAG 的代码仓库结构清晰，分为四个核心模块：

SimGRAG/
├── src/
│   ├── retriever.py    # 核心检索引擎（SimGRAG 算法实现）
│   ├── indexer.py      # 向量索引构建（Milvus + Nomic Embedding）
│   ├── embedding_model.py  # Nomic Embedding 模型封装
│   ├── llm.py          # LLM 调用（OpenAI 兼容 API，支持 Ollama）
│   ├── vecdb.py       # 向量数据库封装
│   ├── dataset.py     # 数据集解析（MetaQA / FactKG）
│   └── utils.py       # 辅助工具（Top-K 排序等）
├── configs/           # JSON 配置文件（数据集路径、超参数）
├── pipeline/          # 端到端执行管道
│   ├── metaQA_index.py    # MetaQA 索引构建
│   ├── metaQA_query*.py   # MetaQA 1/2/3 跳查询
│   ├── FactKG_index.py    # FactKG 索引构建
│   └── FactKG_query.py    # FactKG 查询
└── prompts/           # Few-shot Prompt 模板

检索流程详解（src/retriever.py）

Retriever 是整个系统的核心类，其 retrieve() 方法逻辑如下：

# 1. 构建 NetworkX 查询图
Q = nx.Graph()
for edge in query_graph:
    Q.add_edge(edge[0], edge[2], relation=edge[1])

# 2. 断开图则分治处理
if not nx.is_connected(Q):
    # 对每个连通分量递归检索，再合并
    ...

# 3. 节点 + 关系双路向量检索
# 节点向量搜索
node_candidates = node_vector_store.search(query_embedding, topk=node_sim_topk)
# 关系向量搜索
relation_candidates = relation_vector_store.search(relation_embedding, topk=relation_sim_topk)

# 4. GSD 计算 + 贪心子图扩展
# 从种子节点出发，按度数排序邻居，贪心地扩展子图

Indexer 则负责将 KG 中的节点和关系预先编码并存储到 Milvus 中，支持批量处理（batch_size=8192），避免内存溢出。

LLM 调用（src/llm.py）

client = OpenAI(base_url="http://localhost:11451/v1", api_key="...")  # Ollama 本地推理
response = client.chat.completions.create(
    model="llama3:70b",
    messages=[{"role": "user", "content": prompt}],
    temperature=0.2
)

默认使用 Ollama 部署的 Llama 3 70B（需 24GB+ VRAM），通过 ollama_server.sh 启动服务（监听 11451 端口）。支持替换为任意 OpenAI 兼容 API。

四、技术特点总结

维度	详情
核心算法	两阶段 Query-to-Pattern + Pattern-to-Subgraph，GSD 图语义距离
LLM	Ollama (Llama 3 70B)，支持替换为任意 OpenAI 兼容 API
Embedding	Nomic Embed Text v1，本地部署
向量数据库	Milvus，开源向量数据库
图数据库	NetworkX（内存图），可扩展至真实 KG
评估数据集	MetaQA（1/2/3跳问答）、FactKG（事实验证）
编程语言	Python
代码结构	模块化（Retriever/Indexer/LLM/Embedding 分立）

五、部署体验

SimGRAG 是一个纯研究级代码仓库，面向有 NLP / 知识图谱背景的研究人员。

部署挑战

依赖多组件：需要同时运行 Ollama（LLM）、Milvus（向量库）、Nomic Embedding（嵌入模型）三个外部服务，配置链路较长。
硬件门槛高：Llama 3 70B 即使量化也至少需要 24GB VRAM，没有 GPU 的用户几乎无法本地运行。
无容器化：没有 Dockerfile 或 docker-compose，全部手动安装和配置。
无 Web UI：纯命令行管道，数据准备 → 索引构建 → 查询执行，全程脚本化。

部署优势

模块化清晰：各组件可独立替换（换 LLM、换 Embedding、换向量库），非常适合学术实验。
数据集兼容：MetaQA 和 FactKG 均为公开数据集，下载后放入 data/raw/ 即可。
可复现性强：配置文件驱动，所有参数一目了然，适合对比实验。

六、实验结果

根据论文描述，SimGRAG 在两个公开数据集上的表现：

数据集	任务	主要对比基线	SimGRAG 优势
MetaQA	多跳知识图谱问答	Roaster、RNM 等	在 1/2/3 跳设置下全面超越
FactKG	事实验证	GPT-4、专用 KG-RAG	显著提升准确率

论文特别强调，SimGRAG 的检索算法在包含 1000 万节点规模的知识图谱上，能够在 1 秒内完成 Top-K 子图检索——这一效率指标在实际应用中至关重要。

七、总结

SimGRAG 是一篇学术创新度高、工程实现扎实的 KG-RAG 论文。其核心贡献在于：

GSD 图语义距离：提出了一种量化「查询模式」与「候选子图」之间语义对齐程度的新指标，同时兼顾节点和关系的匹配质量。
两阶段管线：将模糊查询拆解为结构化模式，再从 KG 中精准检索对应子图，逻辑清晰、可解释性强。
高效检索算法：在千万级 KG 上实现秒级 Top-K 检索，扫清了 KG-RAG 的效率障碍。

对于希望基于知识图谱构建 RAG 系统的开发者而言，SimGRAG 提供了值得参考的算法思路；对于研究知识图谱问答的学者，其模块化的代码设计也便于在此基础上进行扩展和对比实验。

参考资料：

论文：https://arxiv.org/abs/2412.15272
ACL Anthology：https://aclanthology.org/2025.findings-acl.163/

SimGRAG：利用相似子图增强知识图谱驱动的 RAG 系统

项目地址：https://github.com/YZ-Cai/SimGRAG
论文出处：ACL 2025 Findings
Star：141 ⭐ | Forks：22 | 语言：Python

一、研究背景：当 RAG 遇上知识图谱

ACL 2025 收录的论文 SimGRAG（Similar Graph Enhanced Retrieval-Augmented Generation）正是为解决这一难题而生。

二、核心思想：两阶段查询-子图对齐

SimGRAG 的核心创新在于提出了一条两阶段的处理管线，将「模糊查询」逐步转化为「精确子图」：

阶段一：Query-to-Pattern（查询→图模式）

这一阶段利用 LLM 的推理能力，将用户的自然语言问题「翻译」为结构化的图查询模式。

以 MetaQA 数据集为例，查询「谁导演了《盗梦空间》？」会被转化为图模式 (电影, 导演, ?)，后续再将「盗梦空间」作为锚点匹配到具体节点。

阶段二：Pattern-to-Subgraph（图模式→子图）

有了图模式后，下一步是在 KG 中找出与该模式匹配的最佳子图。SimGRAG 提出了一个关键指标：图语义距离（Graph Semantic Distance, GSD）。

GSD 的核心思路是：

向量化：使用 Nomic Embedding 模型，将 KG 中的所有节点（实体）和关系（边）编码为高维向量。
向量检索：查询模式中的每个元素（节点/关系）与 KG 中的候选元素计算向量相似度，找出 Top-K 最相似的节点/关系。
图距离计算：综合考虑节点和关系的匹配程度，计算候选子图与查询模式之间的 GSD 分数，选取 GSD 最小的 Top-K 子图作为最终检索结果。

三、系统架构与代码实现

SimGRAG 的代码仓库结构清晰，分为四个核心模块：

SimGRAG/
├── src/
│   ├── retriever.py    # 核心检索引擎（SimGRAG 算法实现）
│   ├── indexer.py      # 向量索引构建（Milvus + Nomic Embedding）
│   ├── embedding_model.py  # Nomic Embedding 模型封装
│   ├── llm.py          # LLM 调用（OpenAI 兼容 API，支持 Ollama）
│   ├── vecdb.py       # 向量数据库封装
│   ├── dataset.py     # 数据集解析（MetaQA / FactKG）
│   └── utils.py       # 辅助工具（Top-K 排序等）
├── configs/           # JSON 配置文件（数据集路径、超参数）
├── pipeline/          # 端到端执行管道
│   ├── metaQA_index.py    # MetaQA 索引构建
│   ├── metaQA_query*.py   # MetaQA 1/2/3 跳查询
│   ├── FactKG_index.py    # FactKG 索引构建
│   └── FactKG_query.py    # FactKG 查询
└── prompts/           # Few-shot Prompt 模板

检索流程详解（src/retriever.py）

Retriever 是整个系统的核心类，其 retrieve() 方法逻辑如下：

# 1. 构建 NetworkX 查询图
Q = nx.Graph()
for edge in query_graph:
    Q.add_edge(edge[0], edge[2], relation=edge[1])

# 2. 断开图则分治处理
if not nx.is_connected(Q):
    # 对每个连通分量递归检索，再合并
    ...

# 3. 节点 + 关系双路向量检索
# 节点向量搜索
node_candidates = node_vector_store.search(query_embedding, topk=node_sim_topk)
# 关系向量搜索
relation_candidates = relation_vector_store.search(relation_embedding, topk=relation_sim_topk)

# 4. GSD 计算 + 贪心子图扩展
# 从种子节点出发，按度数排序邻居，贪心地扩展子图

Indexer 则负责将 KG 中的节点和关系预先编码并存储到 Milvus 中，支持批量处理（batch_size=8192），避免内存溢出。

LLM 调用（src/llm.py）

client = OpenAI(base_url="http://localhost:11451/v1", api_key="...")  # Ollama 本地推理
response = client.chat.completions.create(
    model="llama3:70b",
    messages=[{"role": "user", "content": prompt}],
    temperature=0.2
)

默认使用 Ollama 部署的 Llama 3 70B（需 24GB+ VRAM），通过 ollama_server.sh 启动服务（监听 11451 端口）。支持替换为任意 OpenAI 兼容 API。

四、技术特点总结

维度	详情
核心算法	两阶段 Query-to-Pattern + Pattern-to-Subgraph，GSD 图语义距离
LLM	Ollama (Llama 3 70B)，支持替换为任意 OpenAI 兼容 API
Embedding	Nomic Embed Text v1，本地部署
向量数据库	Milvus，开源向量数据库
图数据库	NetworkX（内存图），可扩展至真实 KG
评估数据集	MetaQA（1/2/3跳问答）、FactKG（事实验证）
编程语言	Python
代码结构	模块化（Retriever/Indexer/LLM/Embedding 分立）

五、部署体验

SimGRAG 是一个纯研究级代码仓库，面向有 NLP / 知识图谱背景的研究人员。

部署挑战

依赖多组件：需要同时运行 Ollama（LLM）、Milvus（向量库）、Nomic Embedding（嵌入模型）三个外部服务，配置链路较长。
硬件门槛高：Llama 3 70B 即使量化也至少需要 24GB VRAM，没有 GPU 的用户几乎无法本地运行。
无容器化：没有 Dockerfile 或 docker-compose，全部手动安装和配置。
无 Web UI：纯命令行管道，数据准备 → 索引构建 → 查询执行，全程脚本化。

部署优势

模块化清晰：各组件可独立替换（换 LLM、换 Embedding、换向量库），非常适合学术实验。
数据集兼容：MetaQA 和 FactKG 均为公开数据集，下载后放入 data/raw/ 即可。
可复现性强：配置文件驱动，所有参数一目了然，适合对比实验。

六、实验结果

根据论文描述，SimGRAG 在两个公开数据集上的表现：

数据集	任务	主要对比基线	SimGRAG 优势
MetaQA	多跳知识图谱问答	Roaster、RNM 等	在 1/2/3 跳设置下全面超越
FactKG	事实验证	GPT-4、专用 KG-RAG	显著提升准确率

七、总结

SimGRAG 是一篇学术创新度高、工程实现扎实的 KG-RAG 论文。其核心贡献在于：

GSD 图语义距离：提出了一种量化「查询模式」与「候选子图」之间语义对齐程度的新指标，同时兼顾节点和关系的匹配质量。
两阶段管线：将模糊查询拆解为结构化模式，再从 KG 中精准检索对应子图，逻辑清晰、可解释性强。
高效检索算法：在千万级 KG 上实现秒级 Top-K 检索，扫清了 KG-RAG 的效率障碍。

参考资料：

论文：https://arxiv.org/abs/2412.15272
ACL Anthology：https://aclanthology.org/2025.findings-acl.163/