?為解決現有檢索增強生成（RAG）系統在模擬人類長期記憶的動態和關聯性方面的局限性，一種新型框架HippoRAG 2提出并將開源！

在三個關鍵維度上評估持續學習能力：事實記憶、感知構建和關聯性。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。?

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點。
• 通過LLM過濾檢索到的三元組，保留相關三元組。
• 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的段落。

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

評估指標：問答任務使用F1分數，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分數比標準RAG高出7個百分點，特別是在關聯記憶任務上表現突出。

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

本文轉載自??PaperAgent??