面向开放无线电接入网络（ORAN）的向量、图形和混合检索增强生成（RAG）管道基准测试-计算机科学-生成式人工智能-大语言模型-知识图谱-检索增强生成.pdfVIP

面向开放无线电接入网络（ORAN）的向量、

图形和混合检索增强生成（RAG）管道基准

测试

SaratAhmad,ZeinabNezami,MaryamHafeez,SyedAliRazaZaidi

SchoolofElectronicandElectricalEngineering,UniversityofLeeds,UK

{S.Ahmad,Z.Nezami,M.Hafeez,S.A.Zaidi}@leeds.ac.uk

摘要—生成式人工智能（GenAI）预计将在未来无线网络检索[3]。在此背景下，GraphRAG[4]作为一种有前

本的自主优化中发挥关键作用。在ORAN架构内，大型语言模型景的范式出现，它将信息组织成知识图谱（KG），并利

译（LLMs）可以通过利用来自无线电接入网智能控制器（RIC）用图遍历技术来响应查询时检索上下文相关的子图。这

平台的规范和API定义来专门生成xApps和rApps。然而，

中种结构使模型能够生成更细致、连贯且语义上基础的回

针对电信特定任务调整基础LLM仍然昂贵且资源密集。检索

1增强生成（RAG）通过上下文学习提供了一种实用的替代方答。此外，GraphRAG通过跨多个数据集关联实体支

v

8案，无需全面重新训练即可实现领域适应。虽然传统的RAG系持隐性知识的结构化处理，从而实现了多跳推理以及全

0统依赖于基于向量的检索，但新兴变体如GraphRAG和混合局和局部总结等高级功能[4]。

6

3GraphRAG结合了知识图谱或双重检索策略以支持多跳推理最近的研究提出了HybridGraphRAG[5]，这是一

0并改善事实基础。尽管这些方法前景广阔，但在ORAN等高风

.个结合了基于向量和基于图的检索方法的统一框架，利

7险领域中缺乏系统的、指标驱动的评估。在本研究中，我们使用

0ORAN规范对向量RAG、GraphRAG和混合GraphRAG用语义相似性和结构化推理的优势。这种融合已被证

5进行了比较评估。我们在不同问题复杂度下通过建立生成指标来明可以提高特定领域应用（如金融、医疗保健和网络安

2

:评估性能：忠实度、答案相关性、上下文相关性和事实正确性。结全）的事实准确性和完整性[6]。然而，在电信领域特别

v

i果显示GraphRAG和混合GraphRAG均优于传统RAG。是ORAN中对这些系统的评估仍处于未探索状态。

x

r混合GraphRAG将事实正确性提高了8%，而GraphRAG

a评估这些系统在现代电信环境中尤为重要。基于

则将上下文相关性提高了7%。

RAG的实现支持一系列高级用例，包括通过特定于电信

IndexTerms—生成式AI，大型语言模型，知识图谱，检

索增强生成，开放无线接入网络的大型语言模型[7]进行上下文学习生成xApp/rApp、

使用由GraphRAG构建的知识图谱进行根本原因分析

I.介绍[8]以及通过生成基础设施即代码(IaC)或配置即代码

RAG已经成为在电信领域提升大语言模型的一种(CaC)实现意图驱动的网络管理[9]。GraphRAG和混

变革性进步。通过实现动态检索特定领域的知识，RAG合GraphRAG架构通过在配置约束、接口规范和数据

促进了生成基于事实、语境相关的响应[1]。这在电信隐私政策之间启用多跳推理，展示了在这类场景中的强

领域尤其有价值，在这个领域中标准、协议和规范的复大潜力[10]。因此，我们致力于解决系统化和开放评估