金融领域RAG新解决方案，英伟达等提出HybridRAG

利用LLM从复杂的非结构化文本数据（如财报电话会议记录）中提取关键信息来支持投资决策和市场预测。

虽然LLM有潜力，但在提取信息时会面临例如术语不一致和格式差异。

比如，不同金融文档或来源可能使用不同的术语来描述相同的概念。例如，“净利润”可能在某些文档中被称为“净收益”或“税后利润”。

HybridRAG通过结合知识图谱（GraphRAG）和向量检索增强生成（VectorRAG）两种方法，提供了一个能够生成准确、上下文相关回答的系统，显著提升了金融文档信息提取的效率和准确性。

具体来说，HybridRAG将从向量数据库中检索到的文本片段与从知识图谱中获取的结构化信息结合起来，形成一个综合的上下文，这样在生成答案时，结合来自VectorRAG的文本信息和来自GraphRAG的知识图谱信息，可以提高生成的内容的丰富性和准确性。

实验结果这里HybridRAG都比GraphRAG、VectorRAG单独的好👇

论文：arxiv.org