研究痛点：现有的基于图的检索增强生成（Graph-RAG）系统在处理大规模文档时面临两难困境。
一方面，基于文本块相似性的KNN图方法虽然成本低，但无法捕捉文本内部的实体关系，导致检索和生成质量欠佳；
另一方面，基于知识图谱（KG-RAG）的方法虽然能通过提取实体和关系提升检索质量，但其高昂的索引成本使其难以大规模应用。例如，处理5GB法律文档的索引成本可能高达3.3万美元。
知识图谱骨架：仅从核心文本块中构建知识图谱，大幅减少索引成本。 文本-关键词二分图：作为知识图谱的轻量级替代，通过关键词与文本块的关联实现高效检索。 双通道检索策略：结合知识图谱骨架和文本-关键词二分图的优势，平衡检索质量和成本。
KET-RAG框架的核心在于结合多粒度索引结构，具体包括以下部分：
知识图谱骨架（Skeleton-RAG）：通过PageRank算法从KNN图中选择重要文本块，并仅对这些核心文本块构建知识图谱，减少索引成本。
文本-关键词二分图（Keyword-RAG）：将所有文本块分割为子块，并构建关键词与子块的关联图。关键词及其邻近文本块作为候选实体和关系，用于轻量级检索。
双通道检索：在检索阶段，KET-RAG结合知识图谱骨架和文本-关键词二分图的优势，通过调整检索比例参数（??）平衡两者贡献，提升检索质量。
参数优化：通过调整输入文本块大小（ℓ）、分割层数（??）等参数，进一步优化检索和生成性能。
KET-RAG通过这种多粒度索引和双通道检索策略，在保证检索质量的同时，大幅降低了索引成本，为大规模知识检索和生成任务提供了高效、低成本的解决方案。
https://arxiv.org/pdf/2502.09304KET-RAG: A Cost-Efficient Multi-Granular Indexing Framework for Graph-RAG
