|
为了在不断变化的环境中生存，哺乳动物的大脑进化出了强大的长期记忆系统。这种系统让我们能够储存和更新大量知识，从而在复杂的情况下做出明智的决策。尽管现代的大型语言模型（LLM）在处理和生成语言方面取得了巨大进展，但它们仍然缺乏这种持续更新知识的能力。 为了解决这个问题，研究人员开发了一种名为HippoRAG的新方法。这种方法借鉴了人类大脑的记忆机制，特别是海马体的记忆索引理论，从而显著提高了LLM整合新知识的能力。 HippoRAG是如何工作的？HippoRAG的核心思想是模拟人脑的记忆处理方式。它首先使用LLM将大量文本数据转化为知识图谱（KG），这相当于我们大脑中的海马体索引。然后，当需要回答新问题时，HippoRAG会识别出问题中的关键概念，并使用一种叫做个性化PageRank（PPR）的算法在知识图谱中寻找相关信息。这种方法能够在一次检索中实现多跳推理，大大提高了效率和准确性。 举个例子，假设我们想知道“哪位斯坦福教授研究阿尔茨海默病？”传统的方法可能需要逐段阅读和整合信息，而HippoRAG可以通过一次检索，迅速从知识图谱中提取相关信息并给出答案。 
HippoRAG的优势  强大的性能：HippoRAG在几个多跳 QA 基准测试 （MuSiQue/2Wiki） 上优于最先进的检索器，优势高达 20%。  更快、更便宜：HippoRAG 能够获得与迭代 RAG 方法 （IRCoT） 相当的性能，同时速度快 10-30 倍，便宜 6-13 倍。
 路径查找多跳问题：HippoRAG可以处理现有 RAG 方法无法触及的新场景。
| 
