為解決現(xiàn)有檢索增強生成（RAG）系統(tǒng)在模擬人類長期記憶的動態(tài)和關(guān)聯(lián)性方面的局限性，一種新型框架HippoRAG 2提出并將開源~

在三個關(guān)鍵維度上評估持續(xù)學習能力：事實記憶、感知構(gòu)建和關(guān)聯(lián)性。HippoRAG 2在所有基準類別中均超越了其他方法（RAPTOR、GraphRAG、LightRAG、HippoRAG），使其更接近真正的長期記憶系統(tǒng)。

HippoRAG 2框架的核心思想：HippoRAG 2基于HippoRAG的個性化PageRank算法，通過深度段落整合和更有效的在線LLM使用，推動RAG系統(tǒng)更接近人類長期記憶的效果。

離線索引：

• 使用LLM從段落中提取三元組，并將其整合到開放知識圖譜（KG）中。

• 通過嵌入模型檢測同義詞，并在KG中添加同義詞邊。

• 將原始段落與KG結(jié)合，形成包含概念和上下文信息的開放KG。

在線檢索：

• 使用嵌入模型將查詢與KG中的三元組和段落鏈接，確定圖搜索的種子節(jié)點。

• 通過LLM過濾檢索到的三元組，保留相關(guān)三元組。

• 應用個性化PageRank算法進行上下文感知檢索，最終為下游問答任務提供最相關(guān)的段落。

基線方法：包括經(jīng)典檢索器（BM25、Contriever、GTR）、大型嵌入模型（GTE-Qwen2-7B-Instruct、GritLM-7B、NV-Embed-v2）和結(jié)構(gòu)增強RAG方法（RAPTOR、GraphRAG、LightRAG、HippoRAG）。

評估指標：問答任務使用F1分數(shù)，檢索任務使用passage recall@5。

性能提升：HippoRAG 2在所有基準類別上均超越其他方法，平均F1分數(shù)比標準RAG高出7個百分點，特別是在關(guān)聯(lián)記憶任務上表現(xiàn)突出。

一個HippoRAG 2 pipeline示例

https://github.com/OSU-NLP-Group/HippoRAG 
From RAG to Memory: Non-Parametric Continual Learning for Large Language Models
https://arxiv.org/pdf/2502.14802